基于时间上下文的个性化推荐技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 本文研究内容及创新 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 推荐系统综述 | 第15-33页 |
| 2.1 传统推荐系统概述 | 第15-21页 |
| 2.1.1 协同过滤 | 第15-19页 |
| 2.1.1.1 基于邻域的算法 | 第16-18页 |
| 2.1.1.2 隐语义模型 | 第18-19页 |
| 2.1.1.3 基于图的推荐算法 | 第19页 |
| 2.1.2 基于内容的方法 | 第19-21页 |
| 2.1.3 社会化推荐 | 第21页 |
| 2.1.4 混合算法 | 第21页 |
| 2.2 上下文感知推荐系统 | 第21-25页 |
| 2.2.1 上下文和上下文感知推荐系统定义 | 第21-22页 |
| 2.2.2 上下文建模 | 第22页 |
| 2.2.3 上下文的获取方法 | 第22-23页 |
| 2.2.4 上下文感知推荐系统分类 | 第23-25页 |
| 2.2.5 上下文感知推荐系统的挑战 | 第25页 |
| 2.3 时间上下文概述 | 第25-28页 |
| 2.3.1 时间对推荐系统的影响 | 第25-26页 |
| 2.3.2 时间上下文的建模方式 | 第26-28页 |
| 2.3.2.1 连续时间感知方法 | 第26-27页 |
| 2.3.2.2 分类时间感知方法 | 第27-28页 |
| 2.4 推荐系统评测 | 第28-31页 |
| 2.4.1 实验方法 | 第28-29页 |
| 2.4.2 评测指标 | 第29-31页 |
| 2.4.2.1 满意度 | 第29页 |
| 2.4.2.2 准确度 | 第29-30页 |
| 2.4.2.3 覆盖率 | 第30-31页 |
| 2.4.2.4 多样性和新颖性 | 第31页 |
| 2.5 数据集介绍 | 第31页 |
| 2.6 本章小结 | 第31-33页 |
| 第三章 用户兴趣随时间变化的推荐模型 | 第33-46页 |
| 3.1 时间的动态特性分析 | 第33-38页 |
| 3.1.1 全局平均分变化 | 第33-34页 |
| 3.1.2 用户偏好变化 | 第34-36页 |
| 3.1.3 物品评价变化 | 第36-38页 |
| 3.2 基于时间效应的协同过滤算法 | 第38-41页 |
| 3.2.1 用户相似度的计算 | 第38-39页 |
| 3.2.2 时间衰减函数 | 第39-40页 |
| 3.2.3 预测评分 | 第40-41页 |
| 3.2.4 算法流程 | 第41页 |
| 3.3 实验及分析 | 第41-45页 |
| 3.3.1 测试环境 | 第41-42页 |
| 3.3.2 测试数据集及处理 | 第42页 |
| 3.3.3 评测方法及指标 | 第42-43页 |
| 3.3.4 实验结果及分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 时间的周期性推荐模型 | 第46-62页 |
| 4.1 时间的周期性分析 | 第46-48页 |
| 4.2 模型定义 | 第48-49页 |
| 4.3 矩阵分解和张量分解 | 第49-55页 |
| 4.3.1 符号申明 | 第49-50页 |
| 4.3.2 矩阵分解 | 第50-52页 |
| 4.3.3 张量分解 | 第52-55页 |
| 4.2.3.1 CP分解 | 第52-54页 |
| 4.2.3.2 高阶奇异值分解 | 第54-55页 |
| 4.4 时间上下文张量分解模型 | 第55-60页 |
| 4.4.1 损失函数 | 第56-57页 |
| 4.4.2 模型优化 | 第57-59页 |
| 4.4.3 算法流程及复杂度分析 | 第59-60页 |
| 4.5 实验及分析 | 第60-61页 |
| 4.5.1 实验数据集及预处理 | 第60页 |
| 4.5.2 测试方法及指标 | 第60页 |
| 4.5.3 测试结果 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻硕期间取得的研究成果 | 第69-70页 |
