基于属性提升与偏好集成的上下文感知推荐
| 论文创新点 | 第5-9页 |
| 摘要 | 第9-11页 |
| Abstract | 第11-12页 |
| 第一章 绪论 | 第13-27页 |
| 1.1 研究背景和意义 | 第13-17页 |
| 1.2 国内外研究现状 | 第17-22页 |
| 1.2.1 上下文感知推荐的技术基础 | 第17-19页 |
| 1.2.1.1 显式反馈建模 | 第17-18页 |
| 1.2.1.2 隐式反馈建模 | 第18页 |
| 1.2.1.3 显式与隐式建模的融合 | 第18-19页 |
| 1.2.2 上下文感知推荐的主流模型 | 第19-21页 |
| 1.2.2.1 张量分解模型 | 第19-20页 |
| 1.2.2.2 通用分解模型 | 第20页 |
| 1.2.2.3 领域相关模型 | 第20-21页 |
| 1.2.3 上下文感知推荐中的集成学习 | 第21-22页 |
| 1.2.3.1 主流的集成学习方法 | 第21页 |
| 1.2.3.2 梯度提升回归树 | 第21-22页 |
| 1.3 面临的关键问题 | 第22-23页 |
| 1.4 研究内容与章节安排 | 第23-27页 |
| 1.4.1 研究内容 | 第23-25页 |
| 1.4.2 章节安排 | 第25-27页 |
| 第二章 基于局部属性提升的多角度评分预测 | 第27-43页 |
| 2.1 引言 | 第27-28页 |
| 2.2 局部属性提升总体框架 | 第28-32页 |
| 2.2.1 属性提升的概念与一般形式 | 第28-29页 |
| 2.2.2 属性提升的整体框架 | 第29-32页 |
| 2.2.2.1 用户角度的局部提升 | 第30-31页 |
| 2.2.2.2 物品角度的局部提升 | 第31页 |
| 2.2.2.3 属性类型角度的局部提升 | 第31-32页 |
| 2.2.2.4 多角度的局部属性提升评分预测 | 第32页 |
| 2.3 局部属性提升学习法 | 第32-37页 |
| 2.3.1 局部学习的动机 | 第32-33页 |
| 2.3.2 局部采样的理论分析 | 第33-34页 |
| 2.3.3 局部学习的策略与算法设计 | 第34-37页 |
| 2.3.3.1 局部学习的整体策略 | 第34-35页 |
| 2.3.3.2 算法设计与流程 | 第35-37页 |
| 2.4 实验结果与分析 | 第37-43页 |
| 2.4.1 属性数量与类型粒度的影响 | 第37-39页 |
| 2.4.2 局部学习策略的特点 | 第39-41页 |
| 2.4.3 方法比较 | 第41-43页 |
| 第三章 基于全局属性提升的领域无关物品推荐 | 第43-59页 |
| 3.1 引言 | 第43-44页 |
| 3.2 全局属性提升的基本思路和模型框架 | 第44-45页 |
| 3.3 全局属性提升的细节 | 第45-49页 |
| 3.3.1 属性邻居的确定 | 第45-46页 |
| 3.3.2 属性邻居的集成方法 | 第46-48页 |
| 3.3.2.1 传统的邻居集成方法 | 第46页 |
| 3.3.2.2 基于核平滑的相似度优化方法 | 第46-47页 |
| 3.3.2.3 基于核权重的单邻居集成方法 | 第47-48页 |
| 3.3.3 属性邻居的交互方式 | 第48-49页 |
| 3.4 基于全局属性提升的领域无关物品推荐模型 | 第49-53页 |
| 3.4.1 模型的训练框架与学习方式 | 第49-52页 |
| 3.4.1.1 加权损失函数 | 第49-50页 |
| 3.4.1.2 基于坐标下降的参数学习 | 第50-52页 |
| 3.4.2 算法流程与复杂度分析 | 第52-53页 |
| 3.5 实验结果与分析 | 第53-59页 |
| 3.5.1 数据集与实验设置 | 第53-54页 |
| 3.5.1.1 数据预处理 | 第53-54页 |
| 3.5.1.2 实验设置 | 第54页 |
| 3.5.2 核函数与宽度设置 | 第54-56页 |
| 3.5.3 方法比较 | 第56-59页 |
| 第四章 基于属性提升的偏好集成推荐方法 | 第59-77页 |
| 4.1 引言 | 第59-60页 |
| 4.2 基于局部提升的偏好集成方法 | 第60-65页 |
| 4.2.1 局部偏好集成的模型框架 | 第60-62页 |
| 4.2.2 局部偏好集成的主要技术 | 第62-64页 |
| 4.2.2.1 回归树的基本结构 | 第62页 |
| 4.2.2.2 局部偏好集成的损失函数 | 第62-63页 |
| 4.2.2.3 局部偏好集成的目标函数优化 | 第63-64页 |
| 4.2.3 算法实现与复杂度分析 | 第64-65页 |
| 4.3 基于全局提升的偏好集成方法 | 第65-69页 |
| 4.3.1 全局偏好集成的模型框架 | 第65-66页 |
| 4.3.2 全局偏好集成的主要技术 | 第66-68页 |
| 4.3.2.1 低秩矩阵近似理论 | 第66页 |
| 4.3.2.2 局部低秩矩阵近似技术 | 第66-67页 |
| 4.3.2.3 全局偏好集成 | 第67-68页 |
| 4.3.3 算法实现与复杂度分析 | 第68-69页 |
| 4.4 实验结果与分析 | 第69-77页 |
| 4.4.1 局部偏好集成实验 | 第69-72页 |
| 4.4.1.1 以评分预测为基准的方法比较 | 第70-71页 |
| 4.4.1.2 评分预测的扩展 | 第71-72页 |
| 4.4.2 全局偏好集成实验 | 第72-77页 |
| 4.4.2.1 邻居数量对偏好集成的影响 | 第72-73页 |
| 4.4.2.2 以物品推荐为基准的方法比较 | 第73-77页 |
| 第五章 综合的偏好集成推荐框架 | 第77-91页 |
| 5.1 引言 | 第77-79页 |
| 5.1.1 已有方法的局限与动机 | 第77页 |
| 5.1.2 需要解决的问题 | 第77-78页 |
| 5.1.3 方法概述 | 第78-79页 |
| 5.2 模型框架 | 第79-80页 |
| 5.2.1 基本思路 | 第79-80页 |
| 5.2.2 偏好集成的流程 | 第80页 |
| 5.3 两层偏好挖掘 | 第80-84页 |
| 5.3.1 小组偏好挖掘 | 第80-82页 |
| 5.3.1.1 树结点的分裂标准 | 第80-81页 |
| 5.3.1.2 GDT算法的实现和复杂度分析 | 第81-82页 |
| 5.3.2 局部偏好挖掘 | 第82-84页 |
| 5.3.2.1 轻量级扩展回归模型 | 第82-83页 |
| 5.3.2.2 LPREF算法的实现和复杂度分析 | 第83-84页 |
| 5.4 偏好集成 | 第84-86页 |
| 5.4.1 合理性分析与收敛证明 | 第84-85页 |
| 5.4.2 算法实现与复杂度分析 | 第85-86页 |
| 5.5 实验结果与分析 | 第86-91页 |
| 5.5.1 模型粒度的影响 | 第86-88页 |
| 5.5.2 方法比较 | 第88-91页 |
| 5.5.2.1 方法选取与参数设置 | 第88-89页 |
| 5.5.2.2 比较结果 | 第89-91页 |
| 第六章 总结与展望 | 第91-93页 |
| 6.1 本文总结 | 第91-92页 |
| 6.2 研究展望 | 第92-93页 |
| 参考文献 | 第93-101页 |
| 攻博期间的成果目录 | 第101-103页 |
| 科研论文 | 第101页 |
| 学术服务 | 第101-102页 |
| 参与项目 | 第102-103页 |
| 致谢 | 第103-104页 |
