| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 引言 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 研究内容 | 第17-19页 |
| 1.4 论文结构 | 第19-20页 |
| 第2章 相关理论知识介绍 | 第20-24页 |
| 2.1 矩阵分解算法 | 第20-22页 |
| 2.1.1 标准矩阵分解算法 | 第20-21页 |
| 2.1.2 带偏置的矩阵分解算法 | 第21页 |
| 2.1.3 基于邻居的矩阵分解算法 | 第21-22页 |
| 2.2 目标函数 | 第22页 |
| 2.3 学习算法 | 第22页 |
| 2.4 评价指标 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 自适应学习速率在矩阵分解算法中的应用 | 第24-36页 |
| 3.1 学习速率方案 | 第24-26页 |
| 3.1.1 固定方案 | 第25页 |
| 3.1.2 单调递减方案 | 第25页 |
| 3.1.3 Bold-Driver方案 | 第25页 |
| 3.1.4 Reduced Per-Coordinate方案 | 第25-26页 |
| 3.2 自适应学习速率 | 第26-34页 |
| 3.2.1 理论来源 | 第26-27页 |
| 3.2.2 算法细节 | 第27-30页 |
| 3.2.3 实验结果与分析 | 第30-34页 |
| 3.3 本章小结 | 第34-36页 |
| 第4章 并行矩阵分解算法研究 | 第36-50页 |
| 4.1 并行矩阵分解算法 | 第36-40页 |
| 4.1.1 PSGD算法 | 第36页 |
| 4.1.2 DSGD算法和FPSGD算法 | 第36-38页 |
| 4.1.3 NOMAD算法 | 第38-40页 |
| 4.2 基于KD树的并行矩阵分解算法 | 第40-49页 |
| 4.2.1 基于KD树的分区策略 | 第40-41页 |
| 4.2.2 调度策略 | 第41-44页 |
| 4.2.3 实验结果与分析 | 第44-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第5章 辅助信息和矩阵分解 | 第50-62页 |
| 5.1 相关研究介绍 | 第50-52页 |
| 5.1.1 基于上下文的推荐算法 | 第51页 |
| 5.1.2 基于文本上下文的矩阵分解算法 | 第51-52页 |
| 5.2 基于字符表征信息的矩阵分解算法 | 第52-60页 |
| 5.2.1 CNN网络架构 | 第52-54页 |
| 5.2.2 模型部分 | 第54-55页 |
| 5.2.3 实验结果与分析 | 第55-60页 |
| 5.3 本章小结 | 第60-62页 |
| 第6章 总结与展望 | 第62-66页 |
| 6.1 工作总结 | 第62-63页 |
| 6.2 未来工作展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 附录A 代码详情 | 第72-78页 |
| A.1 AALRSMF算法 | 第72-73页 |
| A.1.1 环境要求 | 第72页 |
| A.1.2 数据集格式 | 第72页 |
| A.1.3 使用方法 | 第72-73页 |
| A.2 KDMF算法 | 第73-75页 |
| A.2.1 环境要求 | 第73页 |
| A.2.2 数据集格式 | 第73-74页 |
| A.2.3 使用方法 | 第74-75页 |
| A.3 CharConvMF算法 | 第75-78页 |
| A.3.1 环境要求 | 第75页 |
| A.3.2 数据集格式 | 第75-76页 |
| A.3.3 使用方法 | 第76-78页 |
| 致谢 | 第78-80页 |
| 在读期间发表的学术论文与取得的研究成果 | 第80页 |