| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 网络中网购数据学习处理技术研究现状 | 第11-13页 |
| 1.2.1 Hadoop平台简介 | 第11-12页 |
| 1.2.2 基于Hadoop平台的应用 | 第12页 |
| 1.2.3 HBase简介 | 第12页 |
| 1.2.4 推荐系统简介 | 第12-13页 |
| 1.3 网络中视频游戏数据学习处理技术研究现状 | 第13-17页 |
| 1.3.1 视频游戏数据的常见架构 | 第13-17页 |
| 1.3.2 网络中视频游戏数据处理的特点和难点 | 第17页 |
| 1.4 本文研究内容与结构安排 | 第17-19页 |
| 第二章 基于大数据分析的网络数据处理模型理论 | 第19-51页 |
| 2.1 协同过滤推荐系统模型 | 第19-21页 |
| 2.1.1 评分模型 | 第19-20页 |
| 2.1.2 常见的协同过滤推荐算法 | 第20页 |
| 2.1.3 协同过滤算法的改进 | 第20-21页 |
| 2.2 深度学习模型理论 | 第21-32页 |
| 2.2.1 感知机模型 | 第21-22页 |
| 2.2.2 多层神经网络 | 第22-24页 |
| 2.2.3 递归神经网络 | 第24-25页 |
| 2.2.4 限制玻尔兹曼机 | 第25-26页 |
| 2.2.5 栈式自动编码机 | 第26-28页 |
| 2.2.6 卷积神经网络 | 第28-31页 |
| 2.2.7 深度学习经典模型 | 第31-32页 |
| 2.3 增强学习模型理论 | 第32-46页 |
| 2.3.1 增强学习 | 第32-34页 |
| 2.3.2 单步增强学习 | 第34-36页 |
| 2.3.3 有模型的增强学习 | 第36-40页 |
| 2.3.4 免模型的增强学习 | 第40-46页 |
| 2.4 遗传进化算法 | 第46-51页 |
| 2.4.1 基本遗传算法 | 第46-49页 |
| 2.4.2 进化策略 | 第49页 |
| 2.4.3 进化神经增强拓扑算法 | 第49-50页 |
| 2.4.4 本章小结 | 第50-51页 |
| 第三章 基于网购数据集的处理与学习 | 第51-61页 |
| 3.1 基于Hadoop的多模式数据推荐系统 | 第51-55页 |
| 3.1.1 网购数据的评分矩阵 | 第51-52页 |
| 3.1.2 优化工具 | 第52-53页 |
| 3.1.3 低秩分解和分布式计算 | 第53-54页 |
| 3.1.4 多模式数据利用 | 第54-55页 |
| 3.2 系统框架图 | 第55-56页 |
| 3.3 实验仿真 | 第56-61页 |
| 3.3.1 软硬件信息 | 第56页 |
| 3.3.2 实验内容 | 第56页 |
| 3.3.3 实验结果 | 第56-59页 |
| 3.3.4 本章小结 | 第59-61页 |
| 第四章 基于视频游戏数据的处理与学习 | 第61-83页 |
| 4.1 基于深度增强学习游戏AI的“关键区域”训练策略 | 第61-65页 |
| 4.1.1 算法流程 | 第61-63页 |
| 4.1.2 游戏的输入输出,动作映射 | 第63页 |
| 4.1.3 mario-ai算法的奖赏函数 | 第63页 |
| 4.1.4 mario-ai算法流程 | 第63-64页 |
| 4.1.5 加入“关键区域”训练策略的mario-ai算法流程 | 第64-65页 |
| 4.2 实验仿真 | 第65-69页 |
| 4.2.1 软硬件信息 | 第65-66页 |
| 4.2.2 实验内容 | 第66-68页 |
| 4.2.3 实验结果 | 第68-69页 |
| 4.3 基于进化神经网络对游戏数据的一种快速训练策略 | 第69-72页 |
| 4.3.1 快速训练策略 | 第70-72页 |
| 4.3.2 算法流程图 | 第72页 |
| 4.4 实验仿真 | 第72-81页 |
| 4.4.1 软硬件信息 | 第72页 |
| 4.4.2 实验内容 | 第72-76页 |
| 4.4.3 实验结果 | 第76-79页 |
| 4.4.4 结果分析 | 第79-81页 |
| 4.5 本章小结 | 第81-83页 |
| 第五章 总结与展望 | 第83-85页 |
| 5.1 本文主要工作 | 第83-84页 |
| 5.2 未来的研究工作 | 第84-85页 |
| 致谢 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 作者简介 | 第93页 |
