基于用户偏好多样性的推荐算法研究及应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 引言 | 第13页 |
| 1.2 研究背景 | 第13-15页 |
| 1.2.1 用户评论信息挖掘 | 第14页 |
| 1.2.2 用户浏览信息挖掘 | 第14-15页 |
| 1.2.3 商家推荐和新客推荐 | 第15页 |
| 1.3 研究动机 | 第15-17页 |
| 1.4 研究内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18-19页 |
| 第2章 相关工作概述 | 第19-32页 |
| 2.1 传统的推荐算法 | 第19-23页 |
| 2.1.1 基于内容的推荐算法 | 第19-21页 |
| 2.1.2 基于邻域的推荐算法 | 第21-22页 |
| 2.1.3 基于矩阵分解的推荐算法 | 第22-23页 |
| 2.2 融合评论信息的推荐算法 | 第23-28页 |
| 2.2.1 基于评论主题的推荐算法 | 第23-25页 |
| 2.2.2 基于偏好特征向量的推荐算法 | 第25-28页 |
| 2.3 基于深度学习的推荐算法 | 第28-31页 |
| 2.3.1 基于多层感知机的推荐算法 | 第28-29页 |
| 2.3.2 基于wide&deep的推荐算法 | 第29页 |
| 2.3.3 基于递归神经网络的推荐算法 | 第29-30页 |
| 2.3.4 基于卷积神经网络的推荐算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第3章 基于评论信息挖掘用户显式偏好的商家推荐 | 第32-47页 |
| 3.1 引言 | 第32-33页 |
| 3.2 问题定义 | 第33-34页 |
| 3.3 模型设计和详述 | 第34-40页 |
| 3.3.1 LDA模型简介 | 第34-35页 |
| 3.3.2 主题表示和主题评分计算 | 第35-37页 |
| 3.3.3 融合评论信息的协同过滤模型 | 第37-39页 |
| 3.3.4 复杂度分析 | 第39-40页 |
| 3.4 实验结果与分析 | 第40-46页 |
| 3.4.1 数据集和实验设置 | 第40-41页 |
| 3.4.2 对比实验 | 第41-42页 |
| 3.4.3 模型的推荐准确性 | 第42页 |
| 3.4.4 冷启动问题 | 第42-43页 |
| 3.4.5 长尾效应 | 第43-45页 |
| 3.4.6 推荐覆盖度 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于浏览信息挖掘用户隐式偏好的新客推荐 | 第47-59页 |
| 4.1 引言 | 第47-48页 |
| 4.2 问题定义和模型概述 | 第48-49页 |
| 4.3 模型设计 | 第49-54页 |
| 4.3.1 word2vec技术 | 第49-51页 |
| 4.3.2 特征工程 | 第51-52页 |
| 4.3.3 基于二分类的新客推荐模型 | 第52-54页 |
| 4.4 实验结果与分析 | 第54-58页 |
| 4.4.1 数据集和实验设置 | 第54-55页 |
| 4.4.2 对比实验 | 第55-56页 |
| 4.4.3 不同比例正负样本对比结果 | 第56页 |
| 4.4.4 不同网络层数的对比结果 | 第56-58页 |
| 4.4.5 不同比例训练样本的对比结果 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 总结与展望 | 第59-61页 |
| 5.1 本文总结 | 第59-60页 |
| 5.2 本文展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 在读期间发表的学术论文与取得的研究成果 | 第66页 |
