| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及选题意义 | 第9-11页 |
| 1.1.1 研究背景及国内外研究现状 | 第9-11页 |
| 1.1.2 课题主要来源 | 第11页 |
| 1.2 主要研究内容 | 第11-13页 |
| 1.3 论文的结构安排 | 第13-15页 |
| 第二章 相关研究背景知识介绍 | 第15-27页 |
| 2.1 主题模型技术发展概况 | 第15-19页 |
| 2.1.1 PLSI和LDA的介绍 | 第15-17页 |
| 2.1.2 PLSI和LDA存在的问题 | 第17-19页 |
| 2.2 推荐系统简介 | 第19-22页 |
| 2.2.1 推荐系统概念 | 第19页 |
| 2.2.2 近年研究状况 | 第19-20页 |
| 2.2.3 现有常见方法 | 第20-22页 |
| 2.3 词嵌入(word embedding)学习算法介绍 | 第22-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 分层语义映射的自适应主题生成模型HLSM | 第27-41页 |
| 3.1 复杂网络中社区发现和主题模型的联系 | 第27页 |
| 3.2 分层语义映射HLSM模型介绍 | 第27-34页 |
| 3.2.1 构建单词连接网络 | 第29-30页 |
| 3.2.2 分层地对单词进行社区归属 | 第30-32页 |
| 3.2.3 优化初始的概率估计 | 第32-34页 |
| 3.3 评估HLSM性能的实验 | 第34-39页 |
| 3.3.1 文档建模 | 第34-36页 |
| 3.3.2 文档分类实验 | 第36-39页 |
| 3.3.3 主题模型总结 | 第39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 主题模型和词嵌入(word embedding)与推荐系统的结合 | 第41-57页 |
| 4.1 主题模型和词嵌入(word embedding)在推荐系统中应用讨论 | 第41-44页 |
| 4.1.1 多场景的冷启动问题 | 第41-42页 |
| 4.1.2 长尾数据问题 | 第42-44页 |
| 4.1.3 稀疏数据的计算存储规模问题 | 第44页 |
| 4.2 主题模型在推荐系统中的结合 | 第44-48页 |
| 4.3 类word2vec词嵌入方法在推荐系统中的结合 | 第48-52页 |
| 4.3.1 基于用户行为序列的word2vec | 第48-51页 |
| 4.3.2 基于商品相似度网络生成商品词向量 | 第51-52页 |
| 4.4 主题模型和词嵌入在推荐系统中应用实验 | 第52-55页 |
| 4.4.1 离线AUC实验 | 第52-54页 |
| 4.4.2 在线点击率实验 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 论文总结 | 第57-58页 |
| 5.2 未来展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |
