基于深度学习的会话型推荐系统研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 传统推荐方法 | 第13-14页 |
| 1.2.2 基于深度学习的方法 | 第14-15页 |
| 1.3 研究的主要内容 | 第15页 |
| 1.4 论文组织结构 | 第15-18页 |
| 第二章 相关概念及技术 | 第18-28页 |
| 2.1 基于会话推荐问题的简介 | 第18-19页 |
| 2.2 循环神经网络及基于循环神经网络的相关模型 | 第19-21页 |
| 2.2.1 循环神经网络 | 第19页 |
| 2.2.2 长短时记忆网络 | 第19-20页 |
| 2.2.3 门限循环单元网络 | 第20-21页 |
| 2.3 编码器-解码器框架 | 第21-22页 |
| 2.4 注意力机制 | 第22-24页 |
| 2.5 损失函数 | 第24-25页 |
| 2.5.1 均方根误差损失函数 | 第24页 |
| 2.5.2 log对数损失函数 | 第24-25页 |
| 2.5.3 交叉熵损失函数 | 第25页 |
| 2.6 神经网络的优化算法 | 第25-27页 |
| 2.6.1 随机梯度下降法 | 第25-26页 |
| 2.6.2 Adam | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第三章 神经注意力推荐机 | 第28-36页 |
| 3.1 基于会话推荐任务的公式化描述 | 第28页 |
| 3.2 模型提出动机 | 第28-29页 |
| 3.3 模型介绍 | 第29-34页 |
| 3.3.1 模型概览 | 第29-30页 |
| 3.3.2 全局编码器 | 第30-31页 |
| 3.3.3 局部编码器 | 第31-32页 |
| 3.3.4 神经注意力推荐机 | 第32-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 实验设置 | 第36-40页 |
| 4.1 数据集描述 | 第36-37页 |
| 4.2 Baseline方法 | 第37-38页 |
| 4.3 评价指标 | 第38页 |
| 4.4 模型设置 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第五章 实验结果与分析 | 第40-48页 |
| 5.1 实验结果 | 第40-41页 |
| 5.2 实验分析 | 第41-45页 |
| 5.2.1 不同解码器之间的效果对比 | 第41-42页 |
| 5.2.2 不同特征对模型的影响 | 第42-43页 |
| 5.2.3 不同长度会话的预测准确性分析 | 第43-45页 |
| 5.2.4 注意力机制可视化分析 | 第45页 |
| 5.3 本章小结 | 第45-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 参考文献 | 第50-56页 |
| 致谢 | 第56-58页 |
| 硕士期间发表的论文 | 第58-59页 |
| 硕士期间参加的科研工作 | 第59-60页 |
| 硕士期间获得的奖励 | 第60-61页 |
| 学位论文评阅及答辩情况表 | 第61页 |
