EBSN中基于多维混合特征的活动推荐研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-22页 |
| 1.1 研究背景 | 第10-12页 |
| 1.2 研究现状 | 第12-18页 |
| 1.2.1 基于活动的社交网络研究现状 | 第12-15页 |
| 1.2.2 EBSN中的活动推荐研究现状 | 第15-17页 |
| 1.2.3 相关特征提取技术研究现状 | 第17-18页 |
| 1.3 本文的主要工作 | 第18-19页 |
| 1.4 本文的组织结构 | 第19-22页 |
| 第二章 相关背景知识概述 | 第22-26页 |
| 2.1 个性化推荐技术及其应用场景 | 第22-24页 |
| 2.1.1 个性化推荐技术 | 第22-23页 |
| 2.1.2 个性化推荐应用场景 | 第23-24页 |
| 2.2 隐语义分析(LSA) | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 EBSN网络模型及多维特征建模 | 第26-38页 |
| 3.1 数据分析及EBSN网络模型 | 第26-29页 |
| 3.1.1 实验数据集 | 第26-27页 |
| 3.1.2 数据集分析 | 第27-28页 |
| 3.1.3 EBSN网络模型 | 第28-29页 |
| 3.2 多维特征建模 | 第29-37页 |
| 3.2.1 拓扑特征建模 | 第29-31页 |
| 3.2.2 时间特征建模 | 第31-33页 |
| 3.2.3 空间特征建模 | 第33-35页 |
| 3.2.4 语义特征建模 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 基于多维混合特征的活动推荐 | 第38-44页 |
| 4.1 基于多维混合特征的活动评分模型 | 第38页 |
| 4.2 活动评分模型学习 | 第38-41页 |
| 4.2.1 优化目标 | 第38-40页 |
| 4.2.2 参数学习 | 第40页 |
| 4.2.3 模型学习算法 | 第40-41页 |
| 4.3 基于多维混合特征的活动推荐算法 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实验设计与分析 | 第44-54页 |
| 5.1 实验环境 | 第44页 |
| 5.2 实验设计 | 第44-47页 |
| 5.2.1 数据集划分 | 第44-45页 |
| 5.2.2 评价指标 | 第45页 |
| 5.2.3 对比算法 | 第45-46页 |
| 5.2.4 超参设置 | 第46-47页 |
| 5.3 实验结果及分析 | 第47-52页 |
| 5.3.1 活动推荐算法整体效果对比分析 | 第47-49页 |
| 5.3.2 不同稀疏度下算法效果对比分析 | 第49-51页 |
| 5.3.3 算法中不同特征的作用分析 | 第51-52页 |
| 5.4 本章小结 | 第52-54页 |
| 第六章 原型系统设计与实现 | 第54-62页 |
| 6.1 原型系统设计 | 第54-55页 |
| 6.2 开发环境 | 第55页 |
| 6.3 原型系统实现 | 第55-61页 |
| 6.3.1 支撑技术 | 第55-56页 |
| 6.3.2 实现细节 | 第56-60页 |
| 6.3.3 系统展示 | 第60-61页 |
| 6.4 本章小结 | 第61-62页 |
| 第七章 总结与展望 | 第62-64页 |
| 7.1 工作总结 | 第62页 |
| 7.2 研究展望 | 第62-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简介 | 第70页 |
