推荐算法时间动态特性研究及其分布式实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 推荐系统功能与应用 | 第13-16页 |
| 1.3.1 推荐系统的功能 | 第13-14页 |
| 1.3.2 推荐系统的应用 | 第14-16页 |
| 1.4 本文内容与结构 | 第16-17页 |
| 第2章 推荐系统概述及数据挖掘技术 | 第17-37页 |
| 2.1 推荐系统评测方法 | 第17-18页 |
| 2.1.1 离线实验 | 第17页 |
| 2.1.2 用户调查 | 第17-18页 |
| 2.1.3 在线实验 | 第18页 |
| 2.2 推荐系统评测指标 | 第18-20页 |
| 2.2.1 准确度 | 第18-19页 |
| 2.2.2 覆盖率 | 第19-20页 |
| 2.2.3 多样性和新颖性 | 第20页 |
| 2.2.4 评测指标总结 | 第20页 |
| 2.3 推荐系统主要算法 | 第20-24页 |
| 2.3.1 基于内容过滤推荐 | 第20-22页 |
| 2.3.2 协同过滤推荐 | 第22-23页 |
| 2.3.3 基于社交网络推荐 | 第23-24页 |
| 2.4 推荐系统冷启动问题 | 第24页 |
| 2.5 推荐系统中的数据挖掘技术 | 第24-36页 |
| 2.5.1 数据挖掘步骤 | 第24-25页 |
| 2.5.2 数据预处理 | 第25-26页 |
| 2.5.3 分类算法 | 第26-35页 |
| 2.5.4 聚类算法 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 推荐系统动态特性研究 | 第37-44页 |
| 3.1 时间效应 | 第37-40页 |
| 3.1.1 用户兴趣变化 | 第37-39页 |
| 3.1.2 季节假日效应 | 第39-40页 |
| 3.2 时间信息推荐算法研究进展 | 第40-42页 |
| 3.3 本章小结 | 第42-44页 |
| 第4章 实验分析 | 第44-52页 |
| 4.1 数据集 | 第44-45页 |
| 4.1.1 Netflix数据集 | 第44页 |
| 4.1.2 MovieLens数据集 | 第44-45页 |
| 4.1.3 Alibaba天猫数据集 | 第45页 |
| 4.1.4 其他数据集 | 第45页 |
| 4.2 矩阵分解 | 第45-48页 |
| 4.2.1 矩阵分解模型 | 第45-47页 |
| 4.2.2 融入时间信息的矩阵分解模型 | 第47-48页 |
| 4.3 实验设计 | 第48-51页 |
| 4.3.1 实验数据 | 第48-49页 |
| 4.3.2 实验结果 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 矩阵分解算法的分布式实现研究 | 第52-66页 |
| 5.1 分布式计算 | 第52-56页 |
| 5.1.1 硬件环境 | 第52-53页 |
| 5.1.2 Hadoop | 第53-55页 |
| 5.1.3 Spark | 第55-56页 |
| 5.2 矩阵分解算法的并行化研究 | 第56-60页 |
| 5.2.1 交替最小二乘法 | 第56-57页 |
| 5.2.2 随机梯度下降法 | 第57-59页 |
| 5.2.3 分布式随机梯度下降法 | 第59-60页 |
| 5.3 TemporalBMF算法的分布式实现 | 第60-61页 |
| 5.4 实验结果与分析 | 第61-64页 |
| 5.4.1 矩阵分解三种优化方式比较 | 第61-63页 |
| 5.4.2 TemporalBMF算法并行化 | 第63-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 本文总结 | 第66页 |
| 6.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 科研成果 | 第72页 |
