基于知识图谱的推荐技术研究及应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 知识图谱的研究现状 | 第11-12页 |
| 1.2.2 推荐技术的研究现状 | 第12-13页 |
| 1.2.3 基于知识图谱的推荐技术研究现状 | 第13页 |
| 1.3 论文的研究内容和创新点 | 第13-14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第二章 相关理论和方法介绍 | 第16-29页 |
| 2.1 知识图谱构建技术 | 第16-23页 |
| 2.1.1 知识建模 | 第17-19页 |
| 2.1.2 知识抽取 | 第19-21页 |
| 2.1.3 知识表示 | 第21-22页 |
| 2.1.4 知识存储 | 第22-23页 |
| 2.2 个性化推荐技术 | 第23-28页 |
| 2.2.1 对象相似性度量方法 | 第23-25页 |
| 2.2.2 基于用户的协同过滤算法 | 第25-26页 |
| 2.2.3 基于物品的协同过滤算法 | 第26-27页 |
| 2.2.4 基于模型的推荐算法 | 第27页 |
| 2.2.5 基于内容的推荐算法 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 电影领域知识图谱构建 | 第29-46页 |
| 3.1 电影领域知识图谱分析 | 第29-30页 |
| 3.2 电影领域本体库构建 | 第30-35页 |
| 3.2.1 本体描述语言 | 第30-31页 |
| 3.2.2 领域内本体库的构建流程 | 第31页 |
| 3.2.3 电影领域本体库实现方法 | 第31-35页 |
| 3.3 电影领域知识抽取技术 | 第35-40页 |
| 3.3.1 数据获取方法 | 第35-38页 |
| 3.3.2 基于关系数据库的知识抽取 | 第38-40页 |
| 3.4 基于NEO4J的知识图谱构建 | 第40-41页 |
| 3.4.1 关系数据库的知识存储缺陷 | 第40-41页 |
| 3.4.2 基于Neo4j的图谱构建方法 | 第41页 |
| 3.5 实验结果及分析 | 第41-45页 |
| 3.5.1 本体库构建 | 第41-42页 |
| 3.5.2 知识抽取 | 第42页 |
| 3.5.3 知识图谱构建 | 第42-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于知识图谱的物品语义表示 | 第46-58页 |
| 4.1 传统的基于内容的物品向量化表示 | 第46-47页 |
| 4.1.1 向量空间模型 | 第46-47页 |
| 4.1.2 向量空间模型缺陷 | 第47页 |
| 4.2 改进的物品向量化表示思想 | 第47-48页 |
| 4.3 基于TRANSE算法的物品向量化表示 | 第48-54页 |
| 4.3.1 目标函数 | 第50-51页 |
| 4.3.2 负采样算法 | 第51-52页 |
| 4.3.3 模型训练算法 | 第52-54页 |
| 4.4 实验结果及分析 | 第54-56页 |
| 4.4.1 实验数据集 | 第54页 |
| 4.4.2 评价方案 | 第54-55页 |
| 4.4.3 实验结果 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 基于知识图谱的个性化推荐 | 第58-70页 |
| 5.1 传统的协同过滤算法及其问题 | 第58-59页 |
| 5.1.1 传统的协同过滤算法 | 第58-59页 |
| 5.1.2 稀疏性问题和冷启动问题 | 第59页 |
| 5.2 KG-CF推荐算法框架 | 第59-60页 |
| 5.3 物品相似度计算 | 第60-63页 |
| 5.3.1 基于知识图谱的物品相似度 | 第61页 |
| 5.3.2 基于用户行为的物品相似度 | 第61-62页 |
| 5.3.3 相似度融合 | 第62-63页 |
| 5.4 评分预测 | 第63-64页 |
| 5.5 推荐列表生成 | 第64-65页 |
| 5.6 实验结果及分析 | 第65-68页 |
| 5.6.1 实验数据集 | 第65页 |
| 5.6.2 评价方案 | 第65-66页 |
| 5.6.3 实验结果 | 第66-68页 |
| 5.7 本章小结 | 第68-70页 |
| 第六章 全文总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70页 |
| 6.2 后续工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
