| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第11-13页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 论文结构 | 第12-13页 |
| 第二章 相关工作 | 第13-17页 |
| 2.1 矩阵分解 | 第13-14页 |
| 2.1.1 传统的矩阵分解 | 第13-14页 |
| 2.1.2 非负矩阵分解 | 第14页 |
| 2.2 分布式算法 | 第14-15页 |
| 2.2.1 DSGD算法 | 第15页 |
| 2.3 推荐系统 | 第15-17页 |
| 第三章 基于sigmoid函数变换的非负矩阵分解方法 | 第17-34页 |
| 3.1 推荐系统中的矩阵分解算法 | 第17-18页 |
| 3.2 基于sigmoid函数约束的非负矩阵分解算法 | 第18-22页 |
| 3.2.1 提高预测效果的方法 | 第18页 |
| 3.2.2 评分的非负性 | 第18-19页 |
| 3.2.3 评分的隐语义模型(LFM) | 第19-20页 |
| 3.2.4 带约束的非负矩阵分解算法 | 第20-22页 |
| 3.3 优化方法 | 第22-24页 |
| 3.3.1 梯度下降法 | 第22页 |
| 3.3.2 随机梯度下降法 | 第22-24页 |
| 3.4 平滑处理 | 第24-30页 |
| 3.4.1 预测值的处理 | 第24-25页 |
| 3.4.2 评分的分布 | 第25-26页 |
| 3.4.3 用sigmoid函数进行平滑处理 | 第26-29页 |
| 3.4.4 加入平滑处理后的递推公式 | 第29-30页 |
| 3.5 评估方法 | 第30页 |
| 3.6 实验 | 第30-32页 |
| 3.6.1 实验环境 | 第30-31页 |
| 3.6.2 K的取值 | 第31页 |
| 3.6.3 α的取值 | 第31-32页 |
| 3.6.4 对比 | 第32页 |
| 3.7 本章小结 | 第32-34页 |
| 第四章 基于消息传递的矩阵分解算法设计与实现 | 第34-48页 |
| 4.1 引言 | 第34页 |
| 4.2 改进的DSGD算法 | 第34-42页 |
| 4.2.1 DSGD算法的问题 | 第34-36页 |
| 4.2.2 交替随机梯度下降算法 | 第36-40页 |
| 4.2.3 分布式交替随机梯度下降算法(DASGD) | 第40-42页 |
| 4.3 算法实现 | 第42页 |
| 4.3.1 消息传递接口(MPI) | 第42页 |
| 4.3.2 基于MPI的算法实现 | 第42页 |
| 4.4 性能评估 | 第42-46页 |
| 4.4.1 实验环境 | 第42-44页 |
| 4.4.2 实验过程 | 第44-45页 |
| 4.4.3 实验结果 | 第45-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 基于sigmoid函数变换的非负矩阵分解方法在推荐系统中的应用 | 第48-53页 |
| 5.1 引言 | 第48页 |
| 5.2 一个简单的推荐系统框架 | 第48-49页 |
| 5.3 系统的实现 | 第49-51页 |
| 5.3.1 数据库部分 | 第49-50页 |
| 5.3.2 离线更新模块 | 第50页 |
| 5.3.3 在线更新模块 | 第50页 |
| 5.3.4 冷启动问题 | 第50-51页 |
| 5.3.5 评分预测转换为Top-N推荐 | 第51页 |
| 5.4 原型系统展示 | 第51页 |
| 5.5 本章小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-54页 |
| 6.1 本文工作总结 | 第53页 |
| 6.2 前景与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-60页 |
