| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 相似问题检索 | 第11-13页 |
| 1.2.2 专家推荐 | 第13-14页 |
| 1.2.3 个性化问题推荐 | 第14页 |
| 1.2.4 最佳答案发现 | 第14-15页 |
| 1.2.5 标签推荐 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-17页 |
| 1.4 本文的结构安排 | 第17-19页 |
| 第二章 相关理论基础 | 第19-38页 |
| 2.1 语言模型 | 第19-20页 |
| 2.2 概率主题模型 | 第20-22页 |
| 2.3 链接预测技术 | 第22-23页 |
| 2.4 排序学习技术 | 第23-24页 |
| 2.5 深度学习模型 | 第24-32页 |
| 2.5.1 长短期记忆网络 | 第24-26页 |
| 2.5.2 卷积神经网络 | 第26-28页 |
| 2.5.3 注意力机制 | 第28-30页 |
| 2.5.4 Word2vec | 第30-32页 |
| 2.6 文本分类 | 第32-37页 |
| 2.7 本章小结 | 第37-38页 |
| 第三章 基于深度学习的标签推荐算法 | 第38-48页 |
| 3.1 引言 | 第38-39页 |
| 3.2 标签推荐问题定义 | 第39页 |
| 3.3 标签推荐算法设计 | 第39-47页 |
| 3.3.1 基于双向长短期记忆网络的特征提取 | 第39-42页 |
| 3.3.2 基于卷积神经网络的特征提取 | 第42-46页 |
| 3.3.3 连接 | 第46页 |
| 3.3.4 输出层 | 第46-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 基于排序学习的专家推荐算法 | 第48-57页 |
| 4.1 引言 | 第48-49页 |
| 4.2 用户权威性计算 | 第49-50页 |
| 4.3 基于用户权威和循环神经网络的排序学习 | 第50-55页 |
| 4.3.1 专家推荐问题定义 | 第50页 |
| 4.3.2 专家推荐算法设计 | 第50-55页 |
| 4.4 生成专家推荐结果 | 第55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 实验设计与结果分析 | 第57-74页 |
| 5.1 引言 | 第57页 |
| 5.2 数据集介绍 | 第57-58页 |
| 5.3 数据集分析及预处理 | 第58-60页 |
| 5.4 标签推荐算法实验设计 | 第60-62页 |
| 5.5 标签推荐算法实验结果与分析 | 第62-67页 |
| 5.5.1 卷积核窗口对算法性能的影响 | 第63-64页 |
| 5.5.2 k-max池化对算法性能的影响 | 第64-65页 |
| 5.5.3 对比算法实验结果及分析 | 第65-67页 |
| 5.6 专家推荐算法实验设计 | 第67-69页 |
| 5.7 专家推荐算法实验结果及分析 | 第69-73页 |
| 5.7.1 用户历史行为权衡因子β对算法性能的影响 | 第69-70页 |
| 5.7.2 局部随机游走长度w对算法性能的影响 | 第70-71页 |
| 5.7.3 对比算法实验及结果分析 | 第71-73页 |
| 5.8 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的成果 | 第83页 |