融合主题模型的排序学习算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 融合主题模型的推荐算法 | 第11-12页 |
| 1.2.2 推荐系统 | 第12页 |
| 1.3 论文研究内容 | 第12-13页 |
| 1.3.1 融合算法 | 第13页 |
| 1.3.2 推荐系统实现 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 相关研究综述 | 第15-29页 |
| 2.1 主题模型 | 第15-21页 |
| 2.1.1 LDA相关知识 | 第15-18页 |
| 2.1.2 主题模型的发展历程 | 第18-21页 |
| 2.2 排序学习 | 第21-23页 |
| 2.2.1 点级排序学习 | 第21-22页 |
| 2.2.2 对级排序学习 | 第22页 |
| 2.2.3 列级排序学习 | 第22-23页 |
| 2.2.4 BPR算法 | 第23页 |
| 2.3 融合模型方法 | 第23-25页 |
| 2.3.1 Bagging | 第23-24页 |
| 2.3.2 Boosting | 第24页 |
| 2.3.3 本文算法的融合策略 | 第24-25页 |
| 2.4 推荐系统 | 第25-28页 |
| 2.4.1 推荐系统概述 | 第25页 |
| 2.4.2 主要的推荐方法 | 第25-27页 |
| 2.4.3 冷启动问题 | 第27页 |
| 2.4.4 典型的推荐场景案例 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 融合主题模型的排序学习算法研究 | 第29-42页 |
| 3.1 本算法推荐任务的定义 | 第29-31页 |
| 3.1.1 偏序对的生成 | 第29页 |
| 3.1.2 推荐列表评价指标 | 第29-31页 |
| 3.2 算法学习目标 | 第31页 |
| 3.2.1 文本的属性信息 | 第31页 |
| 3.2.2 打分的隐属性信息 | 第31页 |
| 3.3 构建有效利用文本信息的排序学习模型 | 第31-33页 |
| 3.4 LHR算法 | 第33-35页 |
| 3.4.1 算法描述 | 第33-34页 |
| 3.4.2 算法流程图 | 第34-35页 |
| 3.4.3 算法伪代码 | 第35页 |
| 3.5 实验环境及相关实验 | 第35-40页 |
| 3.5.1 实验环境 | 第35页 |
| 3.5.2 软件环境 | 第35-36页 |
| 3.5.3 实验数据 | 第36页 |
| 3.5.4 top词 | 第36-37页 |
| 3.5.5 对比算法 | 第37页 |
| 3.5.6 实验评估方法及结果分析 | 第37-40页 |
| 3.5.7 算法分析 | 第40页 |
| 3.6 LHR算法的应用 | 第40-41页 |
| 3.6.1 推荐用户喜欢的商品 | 第40-41页 |
| 3.6.2 解决一定的冷启动问题 | 第41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 电影场景下融合主题模型的排序学习推荐系统 | 第42-52页 |
| 4.1 概述 | 第42-45页 |
| 4.1.1 总体架构 | 第42-43页 |
| 4.1.2 冷启动问题 | 第43-44页 |
| 4.1.3 热度计算 | 第44页 |
| 4.1.4 相似度计算 | 第44-45页 |
| 4.2 数据库的准备 | 第45-47页 |
| 4.2.1 用户行为偏好表 | 第45页 |
| 4.2.2 用户属性表 | 第45-46页 |
| 4.2.3 电影相关性表 | 第46页 |
| 4.2.4 电影属性表 | 第46-47页 |
| 4.3 融合主题模型的排序学习推荐系统前端设计 | 第47-49页 |
| 4.3.1 首页推荐模块设设计 | 第47-48页 |
| 4.3.2 浏览与购买页面 | 第48-49页 |
| 4.4 推荐列表的产生 | 第49-51页 |
| 4.4.1 基于内容的电影推荐 | 第50页 |
| 4.4.2 基于协同过滤的电影推荐 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 推荐系统实验设计与分析 | 第52-59页 |
| 5.1 实验环境 | 第52页 |
| 5.1.1 硬件环境 | 第52页 |
| 5.1.2 软件环境 | 第52页 |
| 5.2 实验数据 | 第52页 |
| 5.3 推荐系统的离线计算结果展示 | 第52-53页 |
| 5.3.1 用户特征向量 | 第52-53页 |
| 5.3.2 电影特征向量 | 第53页 |
| 5.4 实验方法及结果分析 | 第53-58页 |
| 5.4.1 参数分析 | 第53-55页 |
| 5.4.2 推荐系统性能实验 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结及展望 | 第59-61页 |
| 6.1 本文取得的研究成果 | 第59-60页 |
| 6.2 本文存在的不足之处 | 第60页 |
| 6.3 下一步工作 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士研究生期间发表的论文 | 第65页 |
