基于矩阵分解及深度神经网络的推荐排序学习方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-22页 |
| 1.1 研究背景 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 研究现状 | 第14-20页 |
| 1.3.1 推荐系统研究现状 | 第14-17页 |
| 1.3.2 排序学习研究现状 | 第17-19页 |
| 1.3.3 深度学习研究现状 | 第19-20页 |
| 1.4 论文主要内容及结构安排 | 第20页 |
| 1.5 本章小结 | 第20-22页 |
| 2 推荐排序学习中的算法模型 | 第22-32页 |
| 2.1 矩阵分解模型 | 第22-24页 |
| 2.2 聚类模型 | 第24-25页 |
| 2.3 逻辑回归模型 | 第25-27页 |
| 2.4 WIDE&DEEP模型 | 第27-28页 |
| 2.5 激活函数 | 第28-30页 |
| 2.5.1 Sigmoid函数 | 第28-29页 |
| 2.5.2 Relu函数 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 3 基于矩阵分解及深度神经网络的排序框架 | 第32-42页 |
| 3.1 推荐系统中的排序学习框架 | 第32-35页 |
| 3.1.1 数据及预处理 | 第32-33页 |
| 3.1.2 特征工程 | 第33-34页 |
| 3.1.3 模型训练 | 第34页 |
| 3.1.4 预测及后处理 | 第34-35页 |
| 3.2 排序学习框架改进及优化 | 第35-36页 |
| 3.3 基于用户行为的矩阵分解 | 第36-37页 |
| 3.4 用户商品的聚类表示 | 第37-39页 |
| 3.5 基于外积的神经网络排序模型 | 第39-41页 |
| 3.5.1 网络结构 | 第39-40页 |
| 3.5.2 模型训练 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 实验与评估 | 第42-53页 |
| 4.1 数据集介绍 | 第42-43页 |
| 4.2 实验框架及评测方式 | 第43-47页 |
| 4.2.1 实验框架 | 第43-45页 |
| 4.2.2 评测指标 | 第45-47页 |
| 4.3 超参数对模型的影响 | 第47-49页 |
| 4.4 不同模型实验对比 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 5 结论 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第59-61页 |
| 学位论文数据集 | 第61页 |
