注意力分解机
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 引言 | 第11-12页 |
| 1.2 相关研究及问题分析 | 第12-16页 |
| 1.2.1 数据预处理 | 第12页 |
| 1.2.2 案例说明 | 第12-13页 |
| 1.2.3 线性回归模型的缺陷 | 第13-15页 |
| 1.2.4 多项式回归等传统协同过滤模型的缺陷 | 第15-16页 |
| 1.2.5 传统分解机模型的缺陷 | 第16页 |
| 1.3 本文的主要工作 | 第16-18页 |
| 第2章 领域研究现状 | 第18-41页 |
| 2.1 相关技术 | 第18-38页 |
| 2.1.1 传统数据挖掘方法 | 第18-23页 |
| 2.1.2 基于内容的推荐系统 | 第23-27页 |
| 2.1.3 基于近邻的推荐系统 | 第27-31页 |
| 2.1.4 基于矩阵分解的推荐系统 | 第31-33页 |
| 2.1.5 上下文感知推荐系统 | 第33-38页 |
| 2.2 分解机 | 第38-41页 |
| 2.2.1 传统分解机 | 第38-39页 |
| 2.2.2 近年来的研究进展 | 第39-41页 |
| 第3章 注意力分解机 | 第41-47页 |
| 3.1 模型介绍 | 第41-45页 |
| 3.1.1 两两交互层 | 第42-43页 |
| 3.1.2 注意力池化层 | 第43-44页 |
| 3.1.3 变体:深层注意力分解机 | 第44-45页 |
| 3.2 模型训练 | 第45-47页 |
| 第4章 实验 | 第47-66页 |
| 4.1 回归任务 | 第47-55页 |
| 4.1.1 实验设置 | 第48-50页 |
| 4.1.2 超参数分析(问题1) | 第50-51页 |
| 4.1.3 注意力网络的作用(问题2) | 第51-54页 |
| 4.1.4 性能对比(问题3) | 第54-55页 |
| 4.2 分类任务 | 第55-66页 |
| 4.2.1 实验设置 | 第56-57页 |
| 4.2.2 超参数分析(问题1) | 第57-61页 |
| 4.2.3 注意力网络的作用(问题2) | 第61-63页 |
| 4.2.4 性能对比(问题3) | 第63-66页 |
| 第5章 结论与展望 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 致谢 | 第75-77页 |
| 个人简介 | 第77页 |
| 攻读学术期间发表的学术论文与取得的其他研究成果 | 第77页 |
