基于因式分解机模型的上下文感知推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文所做工作 | 第12-13页 |
| 1.4 本文章节安排 | 第13-14页 |
| 2 上下文感知推荐系统概述 | 第14-27页 |
| 2.1 传统推荐系统 | 第14-18页 |
| 2.2 上下文感知推荐系统 | 第18-26页 |
| 2.2.1 上下文概念 | 第19-20页 |
| 2.2.2 上下文信息建模 | 第20-21页 |
| 2.2.3 上下文信息获取 | 第21-22页 |
| 2.2.4 上下文信息在推荐系统中的使用 | 第22-25页 |
| 2.2.5 上下文感知推荐系统的研究挑战和难点 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 基于改进因式分解机模型的推荐系统 | 第27-49页 |
| 3.1 传统的因式分解机模型 | 第27-31页 |
| 3.1.1 矩阵分解 | 第27-28页 |
| 3.1.2 监督学习 | 第28-29页 |
| 3.1.3 因式分解模型 | 第29-31页 |
| 3.2 基于上下文层次化因式分解机模型的推荐系统 | 第31-36页 |
| 3.2.1 上下文层次化处理 | 第31-33页 |
| 3.2.2 模型学习 | 第33-36页 |
| 3.3 基于贝叶斯推理因式分解机模型的推荐系统 | 第36-48页 |
| 3.3.1 马尔科夫链蒙特卡罗理论 | 第36-38页 |
| 3.3.2 传统矩阵分解概率表示 | 第38-40页 |
| 3.3.3 贝叶斯概率矩阵分解 | 第40-42页 |
| 3.3.4 贝叶斯因式分解机模型 | 第42-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 实验设计与结果分析 | 第49-60页 |
| 4.1 数据集介绍 | 第49-50页 |
| 4.1.1 MovieLens数据集 | 第49页 |
| 4.1.2 Netflix电影评分数据集 | 第49页 |
| 4.1.3 百度电影推荐大赛数据集 | 第49-50页 |
| 4.1.4 用户活跃度和项目流行度 | 第50页 |
| 4.2 评测指标 | 第50-51页 |
| 4.3 实验环境与工具 | 第51页 |
| 4.4 实验设计与分析 | 第51-59页 |
| 4.5 本章小结 | 第59-60页 |
| 5 总结与展望 | 第60-61页 |
| 5.1 论文总结 | 第60页 |
| 5.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 个人简历、在学期间发表的学术论文 | 第64-65页 |
| 个人简历 | 第64页 |
| 在校期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |
