基于协同关系主题回归模型的推荐算法研究
| 摘要 | 第1-4页 |
| Abstract | 第4-10页 |
| 第1章 绪论 | 第10-14页 |
| ·研究背景与意义 | 第10-11页 |
| ·本文主要工作 | 第11-12页 |
| ·本文主要贡献 | 第12页 |
| ·本文组织结构 | 第12-14页 |
| 第2章 推荐算法综述 | 第14-25页 |
| ·推荐技术概要 | 第14-15页 |
| ·传统推荐模型 | 第15-21页 |
| ·基于近邻的协同过滤模型 | 第15-16页 |
| ·矩阵分解 | 第16-18页 |
| ·潜在因子模型与概率矩阵分解 | 第18-19页 |
| ·基于特征的潜在因子模型 | 第19-21页 |
| ·基于文本建模的推荐模型 | 第21-23页 |
| ·概率主题模型 | 第21-23页 |
| ·主题模型与潜在因子模型 | 第23页 |
| ·基于社交网络的推荐模型 | 第23-24页 |
| ·本章小节 | 第24-25页 |
| 第3章 协同关系主题回归模型 | 第25-37页 |
| ·问题描述与相关注解 | 第25-27页 |
| ·问题描述 | 第25-26页 |
| ·相关注解 | 第26-27页 |
| ·模型描述 | 第27-32页 |
| ·模型生成过程 | 第27-29页 |
| ·协同关系主题回归模型建模 | 第29-32页 |
| ·参数学习与协同上升算法 | 第32-34页 |
| ·优化算法与计算复杂度 | 第34-36页 |
| ·优化算法 | 第34页 |
| ·计算复杂度分析 | 第34-36页 |
| ·本章小结 | 第36-37页 |
| 第4章 协同关系主题回归模型在社交网络中的应用 | 第37-62页 |
| ·社交网络下的应用场景 | 第37-42页 |
| ·应用场景描述 | 第37-38页 |
| ·用户行为分析与社交网络数据集介绍 | 第38-42页 |
| ·协同关系主题回归模型相关设置 | 第42-44页 |
| ·模型评估指标 | 第42-43页 |
| ·实验基准方法 | 第43-44页 |
| ·模型基本设置 | 第44页 |
| ·模型在典型推荐场景中的应用 | 第44-50页 |
| ·场景描述 | 第44-45页 |
| ·模型在推特上的表现 | 第45-46页 |
| ·模型在腾讯微博上的应用 | 第46-47页 |
| ·主题参数影响的研究 | 第47-49页 |
| ·典型推荐场景总结 | 第49-50页 |
| ·模型在冷启动推荐场景中的应用 | 第50-56页 |
| ·场景描述 | 第50-51页 |
| ·模型在推特上的应用 | 第51-52页 |
| ·模型在腾讯微博上的应用 | 第52-53页 |
| ·关系参数影响的探究 | 第53-54页 |
| ·冷启动推荐场景总结 | 第54-56页 |
| ·对不同用户群体中推荐作用的研究 | 第56-58页 |
| ·用户群体划分方法 | 第56-57页 |
| ·模型在不同用户群体上的作用 | 第57-58页 |
| ·模型在兴趣挖掘中的应用 | 第58-61页 |
| ·场景描述 | 第58-60页 |
| ·用户兴趣挖掘结果与比对 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第5章 结论 | 第62-64页 |
| ·总结 | 第62-63页 |
| ·展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-71页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第71页 |
