基于隐变量模型的社会化推荐研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 传统推荐系统 | 第12-14页 |
| 1.2.2 社交推荐系统 | 第14-15页 |
| 1.3 本文主要贡献 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 社会化推荐系统综述 | 第18-32页 |
| 2.1 传统推荐算法 | 第18-24页 |
| 2.1.1 基于记忆的协同过滤 | 第19-21页 |
| 2.1.2 基于扩散的算法 | 第21-24页 |
| 2.2 基于隐变量模型的推荐算法 | 第24-28页 |
| 2.2.1 基本模型 | 第24-25页 |
| 2.2.2 模型训练 | 第25-27页 |
| 2.2.3 偏置项 | 第27页 |
| 2.2.4 隐式反馈 | 第27-28页 |
| 2.3 社会化推荐算法 | 第28-31页 |
| 2.3.2 SoRec推荐算法 | 第28-30页 |
| 2.3.3 RSTE推荐算法 | 第30页 |
| 2.3.4 SocialMF推荐算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 一种基于信任的社会化推荐模型 | 第32-45页 |
| 3.1 信任网络 | 第33-35页 |
| 3.1.1 信任网络定义 | 第33-34页 |
| 3.1.2 信任网络性质 | 第34-35页 |
| 3.2 信任网络建模 | 第35-40页 |
| 3.2.1 信任多面性 | 第36-37页 |
| 3.2.2 信任偏置 | 第37-38页 |
| 3.2.3 信任传递 | 第38-40页 |
| 3.3 信任网络与评分网络的耦合作用 | 第40-42页 |
| 3.3.1 评分网络影响信任网络 | 第40-41页 |
| 3.3.2 信任网络影响物品网络 | 第41-42页 |
| 3.4 一种基于信任的社会化推荐模型 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 模型训练与评分预测 | 第45-55页 |
| 4.1 模型常量预计算 | 第45-47页 |
| 4.1.1 模型常量算法 | 第45-47页 |
| 4.1.2 时间复杂度 | 第47页 |
| 4.2 评分预测与信任预测 | 第47-49页 |
| 4.2.1 评分预测算法 | 第47-48页 |
| 4.2.2 信任预测算法 | 第48页 |
| 4.2.3 时间复杂度 | 第48-49页 |
| 4.3 梯度计算 | 第49-52页 |
| 4.3.1 梯度计算算法 | 第49-52页 |
| 4.3.2 时间复杂度 | 第52页 |
| 4.4 模型训练 | 第52-54页 |
| 4.4.1 模型训练算法 | 第52-54页 |
| 4.4.2 时间复杂度 | 第54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 实验与分析 | 第55-69页 |
| 5.1 数据集描述 | 第55-57页 |
| 5.2 评价指标 | 第57-58页 |
| 5.3 实验方案 | 第58-60页 |
| 5.3.1 对比算法 | 第58页 |
| 5.3.2 实验设置 | 第58-59页 |
| 5.3.3 实验环境 | 第59-60页 |
| 5.4 实验结果与分析 | 第60-67页 |
| 5.4.1 不同的隐变量维数 | 第60-62页 |
| 5.4.2 冷启动用户 | 第62-63页 |
| 5.4.3 模型参数的影响 | 第63-66页 |
| 5.4.4 自适应学习率的影响 | 第66-67页 |
| 5.4.5 算法计算时间 | 第67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 主要工作总结 | 第69-70页 |
| 6.2 下一步研究方向 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间取得的成果 | 第75-76页 |
