| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要贡献与创新 | 第13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 协同过滤基本算法 | 第15-34页 |
| 2.1 问题定义 | 第15-16页 |
| 2.2 基于邻居的协同过滤 | 第16-20页 |
| 2.2.1 基于用户的协同过滤算法 | 第17-18页 |
| 2.2.2 基于物品的协同过滤 | 第18页 |
| 2.2.3 物质扩算与热传导推荐算法 | 第18-20页 |
| 2.3 常用相似度计算方式 | 第20-21页 |
| 2.3.1 余弦相似度 | 第20-21页 |
| 2.3.2 杰卡德系数相似性 | 第21页 |
| 2.3.3 Ochiai Coefficient | 第21页 |
| 2.4 LDA算法 | 第21-23页 |
| 2.5 模型参数估计常用方法 | 第23-24页 |
| 2.6 推断学习基本方法 | 第24-29页 |
| 2.6.1 最大似然估计 | 第24-25页 |
| 2.6.2 最大后验概率估计 | 第25-28页 |
| 2.6.3 贝叶斯推断 | 第28-29页 |
| 2.7 利用Gibbs采样推断LDA模型 | 第29-33页 |
| 2.7.1 LDA生成模型 | 第29页 |
| 2.7.2 马尔科夫过程与Gibbs采样 | 第29-32页 |
| 2.7.3 LDA推断 | 第32-33页 |
| 2.8 本章小结 | 第33-34页 |
| 第三章 用户记录中的session关系研究 | 第34-44页 |
| 3.1 用户点击数据介绍 | 第34-36页 |
| 3.2 session划分方法 | 第36-39页 |
| 3.3 session相似度分析 | 第39-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于session的改进算法 | 第44-60页 |
| 4.1 问题定义 | 第44-46页 |
| 4.2 Session-based LDA先验分布假设 | 第46-49页 |
| 4.3 Session-based LDA中参数的先验分布 | 第49-53页 |
| 4.4 Session-based LDA算法MAP估计 | 第53-57页 |
| 4.4.1 MAP估计问题定义 | 第53-55页 |
| 4.4.2 模型参数的MAP估计 | 第55-56页 |
| 4.4.3 Session-based LDA中的Gibbs采样 | 第56-57页 |
| 4.5 Session-based LDA算法流程 | 第57-59页 |
| 4.6 本章小节 | 第59-60页 |
| 第五章 算法实现与结果分析 | 第60-69页 |
| 5.1 算法实现 | 第60-62页 |
| 5.2 推荐系统框架设计 | 第62-63页 |
| 5.3 结果对比 | 第63-66页 |
| 5.3.1 准确性指标 | 第64-65页 |
| 5.3.2 多样性及新颖性指标 | 第65-66页 |
| 5.4 参数对Session-based LDA算法的影响 | 第66-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
