基于BPR模型的情景感知推荐算法的研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 研究内容 | 第12-14页 |
| 1.3.1 双相似度的贝叶斯排序模型的研究和实现 | 第13页 |
| 1.3.2 大数据平台下的推荐算法的实现 | 第13页 |
| 1.3.3 基于知识库嵌入的推荐算法的研究与实现 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第二章 相关概念与相关技术 | 第16-26页 |
| 2.1 推荐系统核心问题与算法 | 第16-22页 |
| 2.1.1 推荐系统的核心问题 | 第16页 |
| 2.1.2 推荐系统的核心算法 | 第16-20页 |
| 2.1.3 推荐系统的评价指标 | 第20-22页 |
| 2.2 异质信息网络 | 第22-23页 |
| 2.3 知识库嵌入 | 第23-24页 |
| 2.4 Hadoop分布式系统基础框架 | 第24-25页 |
| 2.4.1 HDFS介绍 | 第24页 |
| 2.4.2 MapReduce计算框架 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 双相似度贝叶斯排序模型 | 第26-36页 |
| 3.1 引言 | 第26-27页 |
| 3.2 相关概念 | 第27-29页 |
| 3.2.1 异质信息网络中的相似度 | 第27-28页 |
| 3.2.2 贝叶斯排序模型 | 第28-29页 |
| 3.3 DSBPR算法设计 | 第29-31页 |
| 3.3.1 偏好预测器 | 第29页 |
| 3.3.2 DSBPR模型 | 第29-30页 |
| 3.3.3 DSBPR模型学习 | 第30-31页 |
| 3.4 实验及分析 | 第31-34页 |
| 3.4.1 数据集介绍 | 第31-32页 |
| 3.4.2 模型评估 | 第32-33页 |
| 3.4.3 对比方法 | 第33页 |
| 3.4.4 实验结果 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 大数据平台下推荐算法的实现 | 第36-47页 |
| 4.1 引言 | 第36-38页 |
| 4.2 并行计算框架 | 第38-39页 |
| 4.2.1 Spark计算框架 | 第38页 |
| 4.2.2 并行计算框架对比 | 第38-39页 |
| 4.3 算法组件的设计与集成 | 第39-44页 |
| 4.3.1 OSGi组件集成机制 | 第39-41页 |
| 4.3.2 算法组件的设计与集成 | 第41-44页 |
| 4.4 推荐算法模块的应用 | 第44-46页 |
| 4.4.1 推荐算法工作流介绍 | 第44-45页 |
| 4.4.2 性能测试 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 推荐系统的知识库嵌入 | 第47-59页 |
| 5.1 引言 | 第47-48页 |
| 5.2 相关概念 | 第48-53页 |
| 5.2.1 知识库表示学习 | 第48-51页 |
| 5.2.2 文本表示学习 | 第51-53页 |
| 5.3 知识库嵌入推荐模型 | 第53-56页 |
| 5.4 实验及分析 | 第56-58页 |
| 5.4.1 数据集描述 | 第56页 |
| 5.4.2 模型评估 | 第56-57页 |
| 5.4.3 对比方法 | 第57页 |
| 5.4.4 实验结果分析 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 研究总结 | 第59页 |
| 6.2 研究展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间取得的研究成果 | 第65页 |
