| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 属性预测方法的研究 | 第11-12页 |
| 1.2.2 深度学习技术的研究 | 第12-14页 |
| 1.2.3 多类多任务预测技术研究 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本文的主要章节安排 | 第16-17页 |
| 第二章 相关技术背景及算法 | 第17-27页 |
| 2.1 深度学习理论 | 第17-21页 |
| 2.1.1 深度学习的基本思想 | 第18页 |
| 2.1.2 浅层学习和深度学习 | 第18-20页 |
| 2.1.3 深度学习的训练方法 | 第20-21页 |
| 2.2 深度神经网络模型 | 第21-26页 |
| 2.2.1 自动编码器AutoEncoder | 第21-23页 |
| 2.2.2 稀疏自动编码器 | 第23-24页 |
| 2.2.3 受限玻尔兹曼机 | 第24-25页 |
| 2.2.4 深度置信网络 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于深度神经网络的用户属性的单任务分类算法 | 第27-49页 |
| 3.1 常用的分类模型 | 第27-33页 |
| 3.1.1 Logistic分类算法 | 第27-30页 |
| 3.1.2 支持向量机(SVM) | 第30-33页 |
| 3.2 基于矩阵分解的用户行为数据预测 | 第33-40页 |
| 3.2.1 矩阵的LFM分解 | 第34-35页 |
| 3.2.2 基于BiasLFM的用户行为矩阵预测 | 第35-39页 |
| 3.2.3 一种新的用户行为数据填充算法 | 第39-40页 |
| 3.3 基于深度神经网络多标签分类模型 | 第40-48页 |
| 3.3.1 整体流程 | 第40-41页 |
| 3.3.2 数据预处理 | 第41-43页 |
| 3.3.3 多标签单任务分类 | 第43-47页 |
| 3.3.4 算法总结 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于深度神经网络的用户属性的多任务分类算法 | 第49-58页 |
| 4.1 引言 | 第49-52页 |
| 4.2 基于深度神经网络的用户基础属性的多任务分类模型 | 第52-57页 |
| 4.2.1 算法整体流程 | 第52-53页 |
| 4.2.2 多类多任务学习算法 | 第53-56页 |
| 4.2.3 算法总结 | 第56-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 实验结果分析 | 第58-67页 |
| 5.1 实验环境与数据集 | 第58-59页 |
| 5.2 评价标准 | 第59页 |
| 5.3 基于深度神经网络的单任务分类实验结果 | 第59-64页 |
| 5.3.1 基于深度神经网络的单任务模型实验结果 | 第59-61页 |
| 5.3.2 常用分类算法实验对比 | 第61页 |
| 5.3.3 模型参数对实验结果影响 | 第61-64页 |
| 5.4 基于深度神经网络的多任务分类实验结果 | 第64-66页 |
| 5.4.1 参数设置 | 第64页 |
| 5.4.2 预测分类结果分析 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 不足与展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
