| 摘要 | 第6-9页 |
| ABSTRACT | 第9-11页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 协同过滤推荐方法 | 第14-15页 |
| 1.2.2 低秩矩阵填充技术 | 第15-17页 |
| 1.2.3 深度推荐 | 第17-19页 |
| 1.3 本文研究内容及贡献 | 第19-22页 |
| 1.3.1 研究内容 | 第19-21页 |
| 1.3.2 本文贡献 | 第21-22页 |
| 1.4 本文符号说明 | 第22页 |
| 1.5 本文章节安排 | 第22-24页 |
| 第2章 结合鲁棒非负矩阵填充及子集划分的协同推荐方法 | 第24-40页 |
| 2.1 引言 | 第24-25页 |
| 2.2 相关工作 | 第25-27页 |
| 2.3 模型与方法 | 第27-32页 |
| 2.3.1 模型提出 | 第27-28页 |
| 2.3.2 模型求解 | 第28-29页 |
| 2.3.3 基于鲁棒非负分解的低秩矩阵填充算法LR-RNMFC | 第29-31页 |
| 2.3.4 基于子集划分的协同推荐方法LR-RNMFC-CF | 第31-32页 |
| 2.4 实验结果分析 | 第32-38页 |
| 2.4.1 数据集 | 第32-33页 |
| 2.4.2 评价指标 | 第33页 |
| 2.4.3 LR-RNMFC在人工数据集的性能分析 | 第33-35页 |
| 2.4.4 LR-RNMFC-CF有效性分析及超参数确定 | 第35-36页 |
| 2.4.5 LR-RNMFC-CF在真实数据集的性能分析 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第3章 协同过滤中基于随机次梯度下降的低秩矩阵填充方法 | 第40-54页 |
| 3.1 引言 | 第40-41页 |
| 3.2 相关工作 | 第41-42页 |
| 3.3 基于随机次梯度下降的矩阵填充模型与方法 | 第42-48页 |
| 3.3.1 本章符号含义 | 第42页 |
| 3.3.2 SVT算法 | 第42-43页 |
| 3.3.3 模型提出 | 第43页 |
| 3.3.4 a和τ_t值的设置 | 第43-44页 |
| 3.3.5 优化过程的低秩求解 | 第44-46页 |
| 3.3.6 基于随机次梯度下降的低秩矩阵填充算法SS-LRMC | 第46-47页 |
| 3.3.7 基于SS-LRMC的协同过滤推荐算法SS-LRMC-CF | 第47-48页 |
| 3.4 实验结果分析 | 第48-52页 |
| 3.4.1 数据集 | 第48页 |
| 3.4.2 评价指标 | 第48页 |
| 3.4.3 算法在人工数据集的性能分析 | 第48-50页 |
| 3.4.4 τ_0的确定 | 第50页 |
| 3.4.5 算法在真实数据集的性能分析 | 第50-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第4章 基于多源信息感知的宽度深度推荐方法 | 第54-70页 |
| 4.1 引言 | 第54-55页 |
| 4.2 相关工作 | 第55-57页 |
| 4.3 模型与方法 | 第57-62页 |
| 4.3.1 WDMMA模型 | 第57-58页 |
| 4.3.2 广义非负矩阵分解GNMF | 第58页 |
| 4.3.3 融合多源信息的AC-MLP | 第58-60页 |
| 4.3.4 模型预测与优化 | 第60-61页 |
| 4.3.5 WDMMA算法 | 第61-62页 |
| 4.4 实验结果分析 | 第62-68页 |
| 4.4.1 数据集 | 第62-64页 |
| 4.4.2 评价指标 | 第64页 |
| 4.4.3 预训练有效性分析验证 | 第64-65页 |
| 4.4.4 嵌入向量维度对算法性能的影响 | 第65-66页 |
| 4.4.5 AC-pooling操作有效性分析验证 | 第66-67页 |
| 4.4.6 WDMMA算法推荐性能分析 | 第67-68页 |
| 4.5 本章小结 | 第68-70页 |
| 第5章 基于注意机制的上下文感知序列推荐方法 | 第70-84页 |
| 5.1 引言 | 第70-71页 |
| 5.2 相关工作 | 第71-73页 |
| 5.3 模型与方法 | 第73-79页 |
| 5.3.1 问题描述 | 第73页 |
| 5.3.2 用户静态兴趣上下文C_S~u | 第73-74页 |
| 5.3.3 ACA-GRU模型 | 第74-78页 |
| 5.3.4 模型优化 | 第78页 |
| 5.3.5 ACA-GRU算法 | 第78-79页 |
| 5.4 实验结果分析 | 第79-83页 |
| 5.4.1 数据集 | 第80页 |
| 5.4.2 评价指标 | 第80页 |
| 5.4.3 对比算法 | 第80-81页 |
| 5.4.4 ACA-GRU算法Top-N推荐性能分析 | 第81-82页 |
| 5.4.5 注意机制的效果影响及收敛性分析 | 第82-83页 |
| 5.4.6 参数m对推荐结果的影响分析 | 第83页 |
| 5.5 本章小结 | 第83-84页 |
| 第6章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84-85页 |
| 6.2 展望 | 第85-86页 |
| 参考文献 | 第86-94页 |
| 攻读博士学位期间取得的成果及参与的课题 | 第94-96页 |
| 致谢 | 第96页 |
