基于协同过滤和行为分析的微博推荐系统
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 引言 | 第8-17页 |
| ·研究背景与意义 | 第8-9页 |
| ·推荐系统的应用前景 | 第9-15页 |
| ·电子商务 | 第10-11页 |
| ·视频网站 | 第11-12页 |
| ·个性化音乐电台 | 第12-13页 |
| ·社交网络 | 第13-14页 |
| ·个性化广告 | 第14-15页 |
| ·研究内容 | 第15-16页 |
| ·论文结构 | 第16-17页 |
| 2 推荐系统相关研究综述 | 第17-33页 |
| ·推荐系统的任务定义 | 第17-18页 |
| ·符号约定 | 第17-18页 |
| ·主要方法 | 第18-29页 |
| ·内容过滤 | 第18-22页 |
| ·协同过滤 | 第22-26页 |
| ·社会化过滤 | 第26-29页 |
| ·评测指标 | 第29-33页 |
| ·评分预测 | 第29页 |
| ·TopN推荐 | 第29-31页 |
| ·评分预测与TopN推荐的关系 | 第31-33页 |
| 3 评分预测问题 | 第33-47页 |
| ·任务定义 | 第33页 |
| ·偏好模型 | 第33-34页 |
| ·邻域模型 | 第34-36页 |
| ·矩阵分解模型 | 第36-40页 |
| ·隐语义模型 | 第36页 |
| ·基本矩阵分解模型 | 第36-38页 |
| ·潜在因子模型 | 第38-39页 |
| ·Asymmetric-SVD模型 | 第39-40页 |
| ·SVD++模型 | 第40页 |
| ·加入时间信息 | 第40-42页 |
| ·推荐系统中的动态特性 | 第40-41页 |
| ·邻域模型融合时间信息 | 第41-42页 |
| ·矩阵分解模型融合时间信息 | 第42页 |
| ·参数学习 | 第42-47页 |
| ·优化RMSE | 第42-43页 |
| ·排序学习 | 第43-44页 |
| ·随机梯度下降法 | 第44-47页 |
| 4 微博平台下的社交推荐 | 第47-58页 |
| ·数据集介绍及任务定义 | 第47页 |
| ·数据分析 | 第47-50页 |
| ·用户活跃度和项目流行度的分布 | 第47-48页 |
| ·用户活跃度和物品流行度的关系 | 第48-49页 |
| ·内容流行度的分布 | 第49页 |
| ·接受率随时间变化分布 | 第49-50页 |
| ·用户兴趣建模 | 第50-54页 |
| ·人口统计学信息 | 第50-51页 |
| ·社交图谱 | 第51页 |
| ·关键字及标签 | 第51-52页 |
| ·项目类别 | 第52页 |
| ·时间信息 | 第52页 |
| ·邻域信息 | 第52-53页 |
| ·多信息融合模型 | 第53-54页 |
| ·用户行为分析与建模 | 第54-58页 |
| ·CTR模型 | 第54页 |
| ·概率模型 | 第54-57页 |
| ·MART模型 | 第57-58页 |
| 5 系统设计与实验 | 第58-70页 |
| ·系统设计与实现 | 第58-64页 |
| ·基于特征的矩阵分解 | 第58-61页 |
| ·模型学习 | 第61-62页 |
| ·改进的快速学习算法 | 第62-64页 |
| ·数据预处理 | 第64页 |
| ·实验设置 | 第64-66页 |
| ·基于流行度的推荐 | 第64页 |
| ·基于共同好友的推荐 | 第64-65页 |
| ·基于内容的推荐 | 第65页 |
| ·基于MIFM的协同过滤推荐 | 第65页 |
| ·基于MIFM结合行为分析的推荐 | 第65-66页 |
| ·结果与分析 | 第66-70页 |
| 6 结束语 | 第70-72页 |
| ·工作总结 | 第70-71页 |
| ·未来工作展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78页 |
