基于机器学习的推荐算法研究及实现
摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 绪论 | 第9-13页 |
1.1 选题背景 | 第9-10页 |
1.2 研究意义 | 第10-11页 |
1.3 论文主要工作 | 第11页 |
1.4 论文组织结构 | 第11-13页 |
第2章 推荐算法概述 | 第13-21页 |
2.1 推荐算法结构模块 | 第13-14页 |
2.2 推荐算法分类 | 第14-16页 |
2.2.1 协同过滤推荐算法 | 第14-15页 |
2.2.2 基于内容的推荐算法 | 第15页 |
2.2.3 基于潜在语义的推荐算法 | 第15页 |
2.2.4 基于图结构的推荐算法 | 第15-16页 |
2.2.5 混合推荐算法 | 第16页 |
2.3 国内外研究现状 | 第16-17页 |
2.4 推荐算法目前存在问题 | 第17-19页 |
2.5 本章小结 | 第19-21页 |
第3章 基于深度学习的电影推荐算法 | 第21-31页 |
3.1 电影推荐算法数据 | 第21-22页 |
3.2 评价指标 | 第22-23页 |
3.3 循环神经网络 | 第23-26页 |
3.3.1 循环神经网络概述 | 第23-25页 |
3.3.2 长短期记忆网络 | 第25-26页 |
3.4 电影推荐算法构造思想 | 第26-27页 |
3.5 基于LSTM的电影推荐模型 | 第27-28页 |
3.6 实验结果及分析 | 第28-30页 |
3.7 本章小结 | 第30-31页 |
第4章 基于CNN的音乐推荐算法 | 第31-41页 |
4.1 音乐推荐算法 | 第31-33页 |
4.1.1 音乐推荐算法冷启动问题 | 第31-32页 |
4.1.2 音乐推荐算法冷启动问题解决方法 | 第32-33页 |
4.2 基于CNN分类网络的冷启动方法 | 第33-37页 |
4.2.1 卷积神经网络 | 第33-35页 |
4.2.2 音乐冷启动建模 | 第35-37页 |
4.3 实验与结果分析 | 第37-40页 |
4.3.1 实验数据集构造 | 第37-38页 |
4.3.2 实验过程 | 第38-39页 |
4.3.3 结果分析 | 第39-40页 |
4.4 本章小结 | 第40-41页 |
第5章 结论与展望 | 第41-43页 |
5.1 本文工作总结 | 第41-42页 |
5.2 不足与展望 | 第42-43页 |
参考文献 | 第43-47页 |
攻读硕士学位期间参加的科研工作 | 第47-49页 |
致谢 | 第49页 |