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 |