基于去噪自编码器的深度学习推荐算法研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 传统推荐算法研究现状 | 第11-13页 |
| 1.2.2 深度学习推荐算法研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 1.5 本章小节 | 第16-17页 |
| 第2章 相关技术介绍 | 第17-27页 |
| 2.1 推荐算法相关技术 | 第17-21页 |
| 2.1.1 基于内容推荐算法 | 第18页 |
| 2.1.2 混合模型推荐算法 | 第18页 |
| 2.1.3 协同过滤推荐算法 | 第18-19页 |
| 2.1.4 基于RBM的协同过滤推荐算法 | 第19-21页 |
| 2.2 深度学习相关技术 | 第21-26页 |
| 2.2.1 人工神经网络 | 第21-23页 |
| 2.2.2 卷积神经网络 | 第23页 |
| 2.2.3 激活函数 | 第23-24页 |
| 2.2.4 Dropout技术 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于自编码器的深度学习推荐算法 | 第27-39页 |
| 3.1 自编码器推荐算法 | 第27-30页 |
| 3.2 深度自编码器推荐算法 | 第30-33页 |
| 3.2.1 深度自编码器推荐算法网络结构 | 第31页 |
| 3.2.2 深度自编码器推荐算法过程 | 第31-32页 |
| 3.2.3 评价标准 | 第32-33页 |
| 3.3 实验数据集以及过程分析 | 第33-37页 |
| 3.3.1 Movielens数据集 | 第33-34页 |
| 3.3.2 参数设置 | 第34-35页 |
| 3.3.3 新激活函数 | 第35-36页 |
| 3.3.4 实验结果对比 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 基于去噪自编码器的深度学习推荐算法 | 第39-49页 |
| 4.1 去噪自编码器网络结构 | 第39-40页 |
| 4.2 自编码器中加入噪声 | 第40-41页 |
| 4.3 去噪自编码器推荐算法过程 | 第41-42页 |
| 4.4 实验数据集以及实验过程分析 | 第42-46页 |
| 4.4.1 Netflix数据集 | 第42-43页 |
| 4.4.2 参数设置 | 第43-44页 |
| 4.4.3 加入mask噪声 | 第44页 |
| 4.4.4 加入高斯分布噪声 | 第44-46页 |
| 4.5 实验结果对比 | 第46-47页 |
| 4.6 本章小结 | 第47-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间所发表的学术论文 | 第55-57页 |
| 致谢 | 第57页 |
