基于受限玻尔兹曼机的协同过滤算法研究与应用
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题的研究背景及研究意义 | 第8-9页 |
| 1.2 协同过滤技术的国内外研究现状 | 第9-12页 |
| 1.2.1 推荐系统的研究内容 | 第9-10页 |
| 1.2.2 协同过滤算法的研究现状 | 第10-11页 |
| 1.2.3 推荐系统面临的主要问题 | 第11-12页 |
| 1.3 深度学习在推荐系统中研究现状 | 第12-13页 |
| 1.4 本文的研究内容和论文结构 | 第13-16页 |
| 1.4.1 本文的研究内容 | 第13-14页 |
| 1.4.2 论文结构 | 第14-16页 |
| 2 协同过滤推荐算法 | 第16-24页 |
| 2.1 协同过滤算法概述 | 第16页 |
| 2.2 基于邻域的协同过滤算法 | 第16-21页 |
| 2.2.1 协同过滤中相似度方法分析 | 第17-18页 |
| 2.2.2 基于用户的协同过滤算法 | 第18-20页 |
| 2.2.3 基于项目的协同过滤算法 | 第20-21页 |
| 2.3 基于模型的协同过滤算法 | 第21-23页 |
| 2.4 协同过滤算法的评价标准 | 第23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于RBM协同过滤算法 | 第24-38页 |
| 3.1 RBM理论模型 | 第24-29页 |
| 3.1.1 RBM基本模型 | 第25-27页 |
| 3.1.2 RBM的训练算法 | 第27-29页 |
| 3.2 RBM在协同过滤中的应用 | 第29-32页 |
| 3.3 实验与分析 | 第32-36页 |
| 3.3.1 数据集分析 | 第32-34页 |
| 3.3.2 模型参数的设置 | 第34-36页 |
| 3.4 本章小结 | 第36-38页 |
| 4 融合用户相似度的ERBM协同过滤算法 | 第38-52页 |
| 4.1 ERBM模型 | 第38-41页 |
| 4.1.1 ERBM模型的基本结构 | 第38-39页 |
| 4.1.2 ERBM模型的训练 | 第39-41页 |
| 4.2 基于ERBM的协同过滤算法 | 第41-46页 |
| 4.2.1 基于项目特征的局部用户相似度计算 | 第41-44页 |
| 4.2.2 基于ERBM的协同过滤算法 | 第44-46页 |
| 4.3 实验与分析 | 第46-51页 |
| 4.3.1 ERBM模型的训练 | 第46-47页 |
| 4.3.2 ERBM模型中隐单元数目的确定 | 第47-49页 |
| 4.3.3 训练次数对推荐结果的影响 | 第49页 |
| 4.3.4 不同稀疏度实验 | 第49-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 基于ERBM的协同过滤在在线课程推荐中的应用 | 第52-60页 |
| 5.1 课程推荐系统的功能模块 | 第52-54页 |
| 5.1.1 用户行为日志采集 | 第53页 |
| 5.1.2 数据预处理 | 第53-54页 |
| 5.2 课程推荐的推荐方案 | 第54-57页 |
| 5.2.1 冷启动问题的解决方案 | 第54-56页 |
| 5.2.2 ERMB模型的应用 | 第56-57页 |
| 5.3 实验结果与分析 | 第57-58页 |
| 5.4 本章小结 | 第58-60页 |
| 6 总结和展望 | 第60-62页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 在校期间发表的论文、专利、获奖及社会评价等 | 第68页 |
