基于深度学习的推荐算法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 第一章 绪论 | 第7-21页 |
| 1.1 研究背景介绍 | 第7-9页 |
| 1.1.1 推荐算法的研究背景 | 第7-8页 |
| 1.1.2 深度学习的研究背景 | 第8-9页 |
| 1.2 文献综述 | 第9-19页 |
| 1.2.1 推荐算法的研究现状 | 第9-13页 |
| 1.2.2 深度学习的研究现状 | 第13-19页 |
| 1.3 研究目的 | 第19页 |
| 1.4 主要工作 | 第19页 |
| 1.5 本文结构安排 | 第19-21页 |
| 第二章 算法介绍 | 第21-26页 |
| 2.1 定义及符号 | 第21页 |
| 2.2 基于流行度的推荐 | 第21-22页 |
| 2.3 基于物品的协同过滤算法 | 第22页 |
| 2.4 矩阵分解 | 第22-23页 |
| 2.5 基于马尔可夫链的算法 | 第23页 |
| 2.6 基于门限循环单元的算法 | 第23-26页 |
| 第三章 评价标准介绍 | 第26-29页 |
| 3.1 准确率、召回率、F评分 | 第26-27页 |
| 3.2 覆盖率 | 第27-28页 |
| 3.2.1 用户覆盖率 | 第27页 |
| 3.2.2 物品覆盖率 | 第27-28页 |
| 3.3 短期预测正确率 | 第28-29页 |
| 第四章 实例分析 | 第29-39页 |
| 4.1 数据集 | 第29-33页 |
| 4.1.1 数据获取 | 第29-30页 |
| 4.1.2 数据预处理 | 第30-31页 |
| 4.1.3 数据展示 | 第31-32页 |
| 4.1.4 数据分割 | 第32-33页 |
| 4.2 模型中超参数的选择 | 第33-35页 |
| 4.3 结果呈现 | 第35-39页 |
| 第五章 总结及展望 | 第39-41页 |
| 5.1 总结 | 第39页 |
| 5.2 不足与展望 | 第39-41页 |
| 参考文献 | 第41-45页 |
| 致谢 | 第45页 |
