首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

集成学习理论研究及其在个性化推荐中的应用

摘要第1-7页
ABSTRACT第7-12页
第一章 绪论第12-24页
   ·研究背景与意义第12-13页
   ·国内外研究现状第13-21页
     ·集成学习研究现状第13-15页
     ·推荐系统研究现状第15-21页
   ·本文研究内容第21-22页
   ·本文的组织结构第22-24页
第二章 集成学习与推荐系统相关研究综述第24-55页
   ·集成学习相关研究综述第24-37页
     ·集成学习与相关知识介绍第24-31页
     ·Boosting 相关研究综述第31-37页
   ·推荐系统相关研究综述第37-52页
     ·相关技术概述第37-40页
     ·个性化推荐技术综述第40-47页
     ·推荐系统评价指标第47-52页
   ·集成学习在相关领域中的应用第52-54页
     ·集成学习在个性化推荐中的应用第52-53页
     ·集成学习在信息检索中的应用第53-54页
   ·本章小结第54-55页
第三章 基于最大化软间隔的选择性集成学习算法第55-76页
   ·问题的提出第55-56页
   ·相关研究第56-65页
     ·间隔最大化Boosting第57-60页
     ·选择性集成学习的必要性第60-65页
   ·基于选择性集成的最大化软间隔算法第65-69页
     ·弱分类器相关性的评价第65-67页
     ·SelectedBoost 算法描述第67-69页
   ·实验验证第69-75页
     ·实验准备第69-70页
     ·实验结果与分析第70-75页
   ·本章小结第75-76页
第四章 基于强分类器边界约束的最大化软间隔的集成学习算法第76-92页
   ·问题提出第76-77页
   ·相关研究第77-82页
     ·局部性更新算法(Corrective)第78-80页
     ·全局更新算法(Total Corrective)第80-82页
   ·基于强分类器边界约束的最大化软间隔算法第82-86页
     ·StrongLPBoost 的理论基础第82-84页
     ·StrongLPBoost 算法的提出第84-85页
     ·StrongLPBoost 算法描述第85-86页
   ·实验验证第86-91页
     ·分类准确率实验第86-88页
     ·强分类器约束对收敛性的影响第88-89页
     ·强分类器边界约束对弱分类器数量的影响第89-91页
   ·本章小结第91-92页
第五章 基于集成学习的个性化评分预测模型第92-111页
   ·问题的提出第92-93页
   ·相关研究第93-101页
     ·基于相似度的协同过滤技术第93-97页
     ·基于矩阵分解的协同过滤方法第97-101页
   ·基于集成学习的打分预测方法第101-104页
     ·个性化推荐中引入集成学习的必要性第101-103页
     ·弱学习器的生成第103页
     ·具体算法描述第103-104页
   ·实验验证第104-110页
     ·实验准备第104-105页
     ·实验结果与分析第105-110页
   ·本章小节第110-111页
第六章 基于排序学习的个性化TOPN 推荐模型第111-145页
   ·问题提出第111-112页
   ·排序学习相关技术第112-131页
     ·基于点的排序学习方法(Point-Wise)第113-117页
     ·基于对的排序学习方法(Pair-Wise)第117-122页
     ·基于列表的排序学习方法(List-Wise)第122-128页
     ·用于协同过滤的排序学习技术第128-131页
   ·基于集成学习的排序学习方法第131-135页
     ·用于排序问题的boosting 集成学习框架第132-134页
     ·弱学习器的生成第134-135页
   ·实验验证第135-144页
     ·算法的TopN 列表评价第135-140页
     ·算法的NDCG 评价第140-142页
     ·NDCGBoost 边界与间隔趋势图第142-144页
   ·本章小结第144-145页
第七章 工作总结和展望第145-148页
   ·本文工作总结第145-146页
   ·进一步研究工作第146-148页
致谢第148-150页
参考文献第150-172页
攻博期间取得的研究成果第172-174页

论文共174页,点击 下载论文
上一篇:不确定遥操作系统非线性自适应控制研究
下一篇:支持向量数据描述与支持向量机及其应用