基于因子分解模型的移动上下文推荐系统研究
| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 目录 | 第8-11页 |
| 1 绪论 | 第11-18页 |
| ·推荐系统研究背景 | 第11-13页 |
| ·推荐系统的研究现状分析 | 第13-16页 |
| ·国内外研究现状 | 第13-16页 |
| ·研究目的与意义 | 第16-18页 |
| ·研究内容及创新点 | 第16页 |
| ·全文结构安排 | 第16-18页 |
| 2 推荐系统及推荐系统算法概述 | 第18-37页 |
| ·推荐系统的概念 | 第18页 |
| ·基于内容的推荐 | 第18-20页 |
| ·协同过滤 | 第20-25页 |
| ·基于邻域的方法 | 第21-24页 |
| ·基于用户协同过滤和基于物品协同过滤的对比 | 第24页 |
| ·基于模型的协同过滤 | 第24-25页 |
| ·基于图的模型 | 第25-27页 |
| ·基于上下文感知的推荐系统 | 第27-33页 |
| ·时间上下文信息 | 第29-30页 |
| ·时间上下文推荐算法 | 第30-31页 |
| ·地点上下文信息 | 第31-33页 |
| ·混合推荐技术 | 第33-34页 |
| ·推荐系统的评价指标 | 第34-36页 |
| ·准确度 | 第34-35页 |
| ·其它评价指标 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 3 因子分解理论 | 第37-65页 |
| ·机器学习理论背景知识 | 第37-38页 |
| ·损失函数 | 第38-42页 |
| ·隐因子模型与矩阵分解模型 | 第42-47页 |
| ·传统的SVD分解 | 第42-43页 |
| ·矩阵分解基本算法 | 第43-46页 |
| ·SVD++ | 第46-47页 |
| ·张量与多元推荐 | 第47-52页 |
| ·张量的定义和表示 | 第47-48页 |
| ·张量的高阶奇异值分解(HOSVD) | 第48-50页 |
| ·多元推荐 | 第50-52页 |
| ·因子分解机模型及其优化 | 第52-58页 |
| ·因子分解机模型 | 第53-54页 |
| ·随机梯度算法 | 第54-56页 |
| ·交替最小二乘法 | 第56-58页 |
| ·因子分解机的应用 | 第58-64页 |
| ·因子分解机实例 | 第58-60页 |
| ·因子分解机VS因子分解模型 | 第60-64页 |
| ·本章小结 | 第64-65页 |
| 4 实验结果及分析 | 第65-85页 |
| ·实验数据集 | 第65-67页 |
| ·MovieLens实验数据集 | 第65-66页 |
| ·Netfiix实验数据集 | 第66页 |
| ·雅虎音乐实验数据集 | 第66-67页 |
| ·数据集的统计信息对比 | 第67页 |
| ·实验环境 | 第67页 |
| ·实验步骤 | 第67-68页 |
| ·因子分解机的算法性能实验 | 第68-75页 |
| ·初始化和评价指标 | 第68页 |
| ·优化算法对比实验结果与分析 | 第68-71页 |
| ·时间复杂度结果与分析 | 第71-72页 |
| ·稀疏型数据下的性能 | 第72-75页 |
| ·融入上下文信息的模型对比结果 | 第75-79页 |
| ·数据预处理 | 第75-76页 |
| ·上下文信息对模型的影响对比 | 第76-78页 |
| ·FMs与传统因子分解模型的对比 | 第78-79页 |
| ·手机客户端的推荐应用 | 第79-84页 |
| ·本章小结 | 第84-85页 |
| 5 总结以及展望 | 第85-87页 |
| ·论文的工作总结 | 第85-86页 |
| ·进一步的研究工作 | 第86-87页 |
| 参考文献 | 第87-91页 |
| 致谢 | 第91页 |
