基于内容和用户偏好学习的个性化商品推荐模型
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 研究现状分析 | 第13-16页 |
| 1.3 本文主要工作 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 第2章 相关研究工作 | 第18-30页 |
| 2.1 基于隐式反馈的推荐算法 | 第18-26页 |
| 2.1.1 基于单物品的协同过滤算法 | 第18-20页 |
| 2.1.2 基于物品对的协同过滤算法 | 第20-24页 |
| 2.1.3 基于异构隐式反馈的推荐算法 | 第24-26页 |
| 2.2 推荐系统的评价方法和指标 | 第26-29页 |
| 2.2.1 评价方法 | 第26-27页 |
| 2.2.2 评价指标 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于内容的混合采样策略的BPR改进算法 | 第30-53页 |
| 3.1 研究问题 | 第30-32页 |
| 3.2 采样策略 | 第32-40页 |
| 3.2.1 噪声样本对BPR算法的影响 | 第32-34页 |
| 3.2.2 考虑商品对信息值的采样策略 | 第34页 |
| 3.2.3 考虑商品类目可比物品对的采样策略 | 第34-37页 |
| 3.2.4 考虑用户潜在偏好的混合采样策略 | 第37-40页 |
| 3.3 基于内容的混合采样策略的BPR改进算法 | 第40-42页 |
| 3.4 实验结果与分析 | 第42-52页 |
| 3.4.1 数据集 | 第42-43页 |
| 3.4.2 实验设置 | 第43-44页 |
| 3.4.3 结果分析 | 第44-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于内容和用户偏好学习的个性化商品推荐 | 第53-71页 |
| 4.1 研究问题 | 第53-55页 |
| 4.2 假设与定义 | 第55-60页 |
| 4.2.1 用户类目商品组偏好定义 | 第55-58页 |
| 4.2.2 用户相对偏好置信度 | 第58-60页 |
| 4.3 模型构建 | 第60-63页 |
| 4.3.1 目标函数构建 | 第60-61页 |
| 4.3.2 参数学习 | 第61-63页 |
| 4.4 模型框架与算法流程 | 第63-65页 |
| 4.5 实验与数据分析 | 第65-70页 |
| 4.5.1 数据集 | 第65-66页 |
| 4.5.2 实验设置 | 第66-67页 |
| 4.5.3 结果分析 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 总结和展望 | 第71-73页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 未来工作展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间主要的研究成果 | 第78-79页 |
| 致谢 | 第79页 |
