并行协同过滤推荐模型的研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-15页 |
| ·研究背景及意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·研究现状 | 第11-13页 |
| ·基于关联规则和基于内容的推荐算法 | 第11页 |
| ·协同过滤推荐算法及其扩展模型 | 第11-13页 |
| ·论文研究内容 | 第13页 |
| ·论文组织结构 | 第13-15页 |
| 2 推荐算法的相关技术 | 第15-24页 |
| ·基于关联规则的推荐算法 | 第15-17页 |
| ·基于关联规则的推荐算法定义 | 第15页 |
| ·基于关联规则的推荐算法描述 | 第15-17页 |
| ·基于内容的推荐算法 | 第17-18页 |
| ·基于内容的推荐算法定义 | 第17-18页 |
| ·基于内容的推荐算法描述 | 第18页 |
| ·协同过滤推荐算法 | 第18-22页 |
| ·协同过滤推荐算法的定义 | 第18-19页 |
| ·协同过滤推荐算法的距离度量 | 第19-20页 |
| ·基于用户的协同过滤推荐算法 | 第20页 |
| ·基于项目的协同过滤推荐算法 | 第20-21页 |
| ·基于模型的协同过滤推荐算法 | 第21-22页 |
| ·推荐算法的比较 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 3 RMF 模型的相关概念 | 第24-35页 |
| ·RMF 协同过滤模型的相关定义 | 第24页 |
| ·RMF 协同过滤推荐模型的构造 | 第24-28页 |
| ·隐向量模型的构造 | 第24-26页 |
| ·RMF 协同过滤模型的构造 | 第26-28页 |
| ·基于交替最小二乘法的训练过程 | 第28-31页 |
| ·算法简介 | 第28页 |
| ·算法思想 | 第28页 |
| ·算法描述 | 第28-31页 |
| ·基于随机梯度下降法的训练过程 | 第31-33页 |
| ·算法简介 | 第31页 |
| ·算法思想 | 第31-32页 |
| ·算法描述 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 4 并行协同过滤推荐模型的建立 | 第35-44页 |
| ·基于随机梯度下降法的并行问题 | 第35-37页 |
| ·算法分析 | 第35-36页 |
| ·问题分析 | 第36-37页 |
| ·基于交替随机梯度下降法的算法 | 第37-40页 |
| ·算法设计 | 第37-39页 |
| ·算法实现 | 第39-40页 |
| ·基于交替随机梯度下降法的并行模型 | 第40-43页 |
| ·模型设计 | 第40-42页 |
| ·模型实现 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 5 实验及结果分析 | 第44-55页 |
| ·实验条件说明 | 第44-45页 |
| ·数据集介绍 | 第44页 |
| ·实验环境说明 | 第44页 |
| ·实验评价标准 | 第44-45页 |
| ·实验设计 | 第45页 |
| ·在 ML1M 数据集上的相关实验 | 第45-50页 |
| ·与经典 RMF 模型的性能比较 | 第45-48页 |
| ·与 P-ALS 模型关于并行性能的对比 | 第48-50页 |
| ·在 NF5M 数据集上的相关实验 | 第50-53页 |
| ·与经典 PMF 模型的性能比较 | 第50-52页 |
| ·与 P-ALS 模型关于并行性能的对比 | 第52-53页 |
| ·本章小结 | 第53-55页 |
| 6 总结与展望 | 第55-57页 |
| ·论文总结 | 第55-56页 |
| ·研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 附录 | 第62页 |
| A 作者在攻读学位期间发表的论文目录 | 第62页 |
| B 作者在攻读学位期间参与的科研项目 | 第62页 |
