摘要 | 第10-12页 |
ABSTRACT | 第12-14页 |
第1章 引言 | 第15-25页 |
1.1 研究背景与意义 | 第15-17页 |
1.2 问题提出 | 第17-20页 |
1.3 研究工作面临的主要挑战 | 第20-22页 |
1.4 本文的主要贡献 | 第22-23页 |
1.5 论文的组织结构 | 第23-25页 |
第2章 研究现状与相关工作 | 第25-38页 |
2.1 个性化推荐 | 第25-28页 |
2.2 多指标评分推荐 | 第28-31页 |
2.3 基于情感分析的推荐 | 第31-33页 |
2.4 因子分解机 | 第33-35页 |
2.5 深度学习 | 第35-36页 |
2.6 本章小节 | 第36-38页 |
第3章 基于多指标评分模式的协同过滤推荐 | 第38-54页 |
3.1 本章引言 | 第38-39页 |
3.2 相关工作 | 第39-41页 |
3.3 问题定义 | 第41页 |
3.4 基于码本聚类思想的多指标评分/被评分模式表示 | 第41-44页 |
3.4.1 码本聚类与评分/被评分模式 | 第41-44页 |
3.4.2 用户多指标评分模式和商品被评分模式表示 | 第44页 |
3.5 基于因子分解机的多指标评分预测 | 第44-48页 |
3.5.1 因子分解机 | 第44-46页 |
3.5.2 集成用户评分模式和商品被评分模式的特征向量构造 | 第46-48页 |
3.6 实验及性能评价 | 第48-53页 |
3.6.1 测试数据集 | 第48页 |
3.6.2 对比模型 | 第48-49页 |
3.6.3 评价指标 | 第49-50页 |
3.6.4 实验结果 | 第50-53页 |
3.7 本章小结 | 第53-54页 |
第4章 基于多类别商品方面情感分析的动态推荐 | 第54-76页 |
4.1 本章引言 | 第54-56页 |
4.2 相关工作 | 第56-57页 |
4.3 动机与问题定义 | 第57-58页 |
4.4 多类别商品方面情感分析建模 | 第58-63页 |
4.4.1 模型建立 | 第58-60页 |
4.4.2 模型参数估计 | 第60-63页 |
4.4.3 模型复杂度分析 | 第63页 |
4.5 模型应用 | 第63-64页 |
4.5.1 时间感知的商品推荐 | 第63-64页 |
4.5.2 时间感知的用户推荐 | 第64页 |
4.6 实验与分析 | 第64-74页 |
4.6.1 数据集描述 | 第64-65页 |
4.6.2 评价指标 | 第65页 |
4.6.3 模型选择 | 第65-66页 |
4.6.4 对比方法 | 第66页 |
4.6.5 实验结果及分析 | 第66-74页 |
4.7 本章小结 | 第74-76页 |
第5章 融合多指标评分和评论的神经网络推荐 | 第76-89页 |
5.1 本章引言 | 第76-77页 |
5.2 相关工作 | 第77-79页 |
5.3 问题定义与模型概览 | 第79-80页 |
5.4 融合多指标评分和评论的推荐算法 | 第80-83页 |
5.4.1 神经多指标评分回归 | 第80-82页 |
5.4.2 神经评论文本生成 | 第82页 |
5.4.3 模型优化 | 第82-83页 |
5.5 实验和分析 | 第83-87页 |
5.5.1 数据集和评价指标 | 第83-84页 |
5.5.2 对比模型 | 第84页 |
5.5.3 实验结果与分析 | 第84-86页 |
5.5.4 模型详细分析 | 第86-87页 |
5.6 本章小结 | 第87-89页 |
第6章 多源文本局部主题化成对卷积神经网络推荐模型 | 第89-105页 |
6.1 本章引言 | 第89-91页 |
6.2 相关工作 | 第91页 |
6.3 问题提出与模型概览 | 第91-93页 |
6.4 多源文本局部主题化卷积神经网络构建 | 第93-98页 |
6.4.1 局部主题化卷积神经网络构建 | 第93-96页 |
6.4.2 商品多源文本分析与特征提取 | 第96-97页 |
6.4.3 LTP-CNN关联算法 | 第97-98页 |
6.4.4 推荐场景中的加速 | 第98页 |
6.5 模型训练 | 第98-100页 |
6.5.1 目标函数 | 第99页 |
6.5.2 实验环境、超参数设定与词嵌入初始化 | 第99-100页 |
6.6 实验与分析 | 第100-103页 |
6.6.1 数据集与评价指标 | 第100页 |
6.6.2 对比方法 | 第100-101页 |
6.6.3 实验结果 | 第101-103页 |
6.7 本章小结 | 第103-105页 |
第7章 总结与展望 | 第105-108页 |
7.1 主要工作和贡献 | 第105-106页 |
7.2 未来研究工作展望 | 第106-108页 |
参考文献 | 第108-121页 |
科研成果目录 | 第121-123页 |
致谢 | 第123-124页 |