基于属性的冷启动推荐问题研究
摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第14-30页 |
1.1 研究背景与意义 | 第14-18页 |
1.1.1 推荐系统的典型应用场景 | 第14-15页 |
1.1.2 推荐系统的主要功能 | 第15-17页 |
1.1.3 研究冷启动的意义 | 第17-18页 |
1.2 推荐算法与冷启动问题 | 第18-22页 |
1.2.1 常见的推荐算法 | 第18-20页 |
1.2.2 典型的三种冷启动问题 | 第20-21页 |
1.2.3 基于属性信息的冷启动问题定义 | 第21-22页 |
1.3 冷启动方法综述 | 第22-27页 |
1.3.1 处理冷启动问题的策略 | 第22-25页 |
1.3.2 基于属性信息的冷启动推荐 | 第25-27页 |
1.4 论文的主要工作和内容安排 | 第27-30页 |
2 基于属性度量学习的冷启动推荐模型 | 第30-42页 |
2.1 模型假设与动机 | 第30-31页 |
2.2 基于用户的协同滤波(UBCF) | 第31页 |
2.3 基于用户属性的协同滤波(UABCF) | 第31-32页 |
2.4 MetricRec模型 | 第32-33页 |
2.5 基于内点法的随机梯度下降算法(ISGD) | 第33-35页 |
2.6 实验与分析 | 第35-40页 |
2.6.1 实验设置 | 第35-36页 |
2.6.2 比较方法 | 第36页 |
2.6.3 实验结果 | 第36-37页 |
2.6.4 近邻大小对性能的影响 | 第37-39页 |
2.6.5 ISGD的收敛性 | 第39-40页 |
2.7 本章小结 | 第40-42页 |
3 N维马尔可夫随机场先验约束的冷启动推荐模型 | 第42-64页 |
3.1 模型假设与动机 | 第42-43页 |
3.2 矩阵分解模型 | 第43-44页 |
3.3 N维马尔可夫随机场 | 第44-45页 |
3.4 MRF-MF模型 | 第45-54页 |
3.4.1 MRF-MF模型优化 | 第48-51页 |
3.4.2 时间复杂度分析 | 第51页 |
3.4.3 超参数选择方法 | 第51-52页 |
3.4.4 收敛性分析 | 第52-53页 |
3.4.5 冷启动推荐 | 第53-54页 |
3.5 实验与分析 | 第54-62页 |
3.5.1 实验设置 | 第54-55页 |
3.5.2 比较方法 | 第55-56页 |
3.5.3 实验结果 | 第56-59页 |
3.5.4 超参数分析 | 第59-61页 |
3.5.5 模型收敛速度 | 第61-62页 |
3.6 本章小结 | 第62-64页 |
4 基于属性隐特征的冷启动推荐模型 | 第64-82页 |
4.1 模型假设与动机 | 第64-65页 |
4.2 属性隐特征学习模型 | 第65-71页 |
4.2.1 LPA模型优化 | 第67-70页 |
4.2.2 冷启动推荐 | 第70页 |
4.2.3 时间复杂度分析 | 第70-71页 |
4.3 实验与分析 | 第71-80页 |
4.3.1 实验设置 | 第72页 |
4.3.2 比较方法 | 第72-73页 |
4.3.3 实验结果 | 第73-78页 |
4.3.4 超参数分析 | 第78-80页 |
4.4 本章小结 | 第80-82页 |
5 基于属性的多级偏好回归冷启动推荐模型 | 第82-100页 |
5.1 模型假设与动机 | 第82-83页 |
5.2 多级偏好回归模型MPR | 第83-89页 |
5.2.1 MPR模型优化 | 第85-87页 |
5.2.2 冷启动推荐 | 第87-88页 |
5.2.3 与LPA模型的关系 | 第88页 |
5.2.4 时间复杂度分析 | 第88-89页 |
5.2.5 模型分析与参数设置 | 第89页 |
5.3 实验与分析 | 第89-98页 |
5.3.1 对比方法 | 第90页 |
5.3.2 实验结果 | 第90-94页 |
5.3.3 超参数分析 | 第94-98页 |
5.4 本章小结 | 第98-100页 |
6 总结与展望 | 第100-104页 |
6.1 本文工作总结 | 第100-102页 |
6.2 未来工作展望 | 第102-104页 |
致谢 | 第104-106页 |
参考文献 | 第106-118页 |
附录 | 第118页 |