摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-15页 |
第一章 绪论 | 第15-23页 |
1.1 研究背景和意义 | 第15-16页 |
1.2 推荐系统算法概述 | 第16-20页 |
1.2.1 协同过滤 | 第17-19页 |
1.2.2 基于内容的推荐 | 第19页 |
1.2.3 分类算法 | 第19-20页 |
1.3 机器学习与深度学习的发展及研究现状 | 第20-21页 |
1.4 本论文的主要研究工作和章节安排 | 第21-23页 |
第二章 前馈神经网络与随机森林算法相关理论 | 第23-33页 |
2.1 前馈神经网络 | 第23-28页 |
2.1.1 神经元模型 | 第23-25页 |
2.1.2 前馈神经网络的结构及前向传播 | 第25-26页 |
2.1.3 反向传播算法 | 第26-28页 |
2.2 随机森林算法 | 第28-31页 |
2.2.1 决策树算法 | 第28-29页 |
2.2.2 集成学习算法 | 第29-30页 |
2.2.3 随机森林结构及构建步骤 | 第30-31页 |
2.3 小结 | 第31-33页 |
第三章 构建用户画像特征数据集 | 第33-49页 |
3.1 用户画像特征数据集构建的整体框架 | 第33-34页 |
3.2 数据分析及预处理 | 第34-39页 |
3.2.1 训练集和测试集的划分 | 第34-36页 |
3.2.2 数据清洗 | 第36-38页 |
3.2.3 缺失值处理 | 第38-39页 |
3.3 特征工程及数据集构建 | 第39-46页 |
3.3.1 人工特征提取 | 第39-41页 |
3.3.2 基于改进的前馈神经网络的特征提取 | 第41-45页 |
3.3.3 用户画像特征数据集 | 第45-46页 |
3.4 小结 | 第46-49页 |
第四章 优化的随机森林算法 | 第49-61页 |
4.1 优化的随机森林算法原理 | 第50-53页 |
4.1.1 构建基决策树 | 第50-51页 |
4.1.2 基决策树的筛选及集成 | 第51-53页 |
4.2 实验结果及分析 | 第53-59页 |
4.2.1 实验一: 优化的随机森林算法 | 第53-56页 |
4.2.2 实验二: 用户画像特征数据集及推荐系统 | 第56-59页 |
4.3 小结 | 第59-61页 |
第五章 基于用户行为的个性化推荐系统 | 第61-71页 |
5.1 系统总体设计方案 | 第61-65页 |
5.1.1 系统需求分析 | 第61-62页 |
5.1.2 系统开发环境 | 第62-63页 |
5.1.3 系统整体技术架构 | 第63-65页 |
5.2 测试及评估 | 第65-69页 |
5.3 小结 | 第69-71页 |
第六章 总结和展望 | 第71-73页 |
6.1 本论文工作总结 | 第71页 |
6.2 研究展望 | 第71-73页 |
参考文献 | 第73-77页 |
致谢 | 第77-79页 |
作者简介 | 第79-80页 |