基于动态时序的复合协同过滤模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-22页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 协同过滤方法概述 | 第11-19页 |
| 1.2.1 协同过滤算法的研究现状 | 第11-17页 |
| 1.2.2 协同过滤算法的整体流程 | 第17-19页 |
| 1.3 论文主要研究内容 | 第19-21页 |
| 1.4 论文组织结构 | 第21-22页 |
| 第2章 数据集的预处理 | 第22-30页 |
| 2.1 数据预处理 | 第22-28页 |
| 2.1.1 数据的抽样与分析 | 第22-24页 |
| 2.1.2 数据的降维 | 第24-25页 |
| 2.1.3 数据集的聚类处理 | 第25-28页 |
| 2.2 本章小结 | 第28-30页 |
| 第3章 基于动态时序的矩阵因子分解模型 | 第30-47页 |
| 3.1 显式反馈与隐式反馈 | 第30-32页 |
| 3.1.1 显式反馈的获取 | 第30-31页 |
| 3.1.2 隐式反馈的获取 | 第31页 |
| 3.1.3 隐式反馈数据的抽象化 | 第31-32页 |
| 3.2 协同过滤推荐模型的常用方法 | 第32-37页 |
| 3.3 基于动态时序的推荐模型设计 | 第37-44页 |
| 3.3.1 基于动态时序的基准模型设计思路 | 第37-40页 |
| 3.3.2 推荐模型准确度的评估 | 第40页 |
| 3.3.3 全局模型的设计 | 第40-44页 |
| 3.4 基于动态时序的矩阵因子分解模型 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于深度神经网络的隐式交互模拟 | 第47-55页 |
| 4.1 总体框架设计 | 第48-49页 |
| 4.2 相关的参数学习 | 第49页 |
| 4.3 总体模型的设计 | 第49-51页 |
| 4.4 实验结果与分析 | 第51-54页 |
| 4.4.1 实验的结果的对比分析 | 第51-53页 |
| 4.4.2 预训练对模型推荐结果的影响 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 结论 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学研究成果 | 第59-60页 |
| 致谢 | 第60页 |
