基于半监督学习的个性化推荐研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于内容的推荐 | 第14-15页 |
| 1.2.2 协同过滤推荐 | 第15-16页 |
| 1.2.3 混合推荐 | 第16-17页 |
| 1.2.4 其它推荐方法 | 第17页 |
| 1.3 本文的主要工作 | 第17-19页 |
| 1.4 本文的组织结构 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 2 半监督学习与个性化推荐研究综述 | 第21-39页 |
| 2.1 半监督学习研究综述 | 第21-25页 |
| 2.1.1 自训练 | 第21页 |
| 2.1.2 生成式模型 | 第21-22页 |
| 2.1.3 协同训练 | 第22-23页 |
| 2.1.4 传导式支持向量机 | 第23-24页 |
| 2.1.5 基于图的方法 | 第24-25页 |
| 2.2 个性化推荐研究综述 | 第25-30页 |
| 2.2.1 个性化推荐技术 | 第25-29页 |
| 2.2.2 推荐引擎的架构 | 第29-30页 |
| 2.3 基于半监督学习的推荐技术 | 第30-35页 |
| 2.3.1 利用物品内容信息 | 第31-32页 |
| 2.3.2 利用用户标签信息 | 第32-33页 |
| 2.3.3 个性化推荐的策略 | 第33-35页 |
| 2.4 个性化推荐评测 | 第35-37页 |
| 2.4.1 实验方法 | 第35页 |
| 2.4.2 评测指标 | 第35-37页 |
| 2.5 本章小结 | 第37-39页 |
| 3 基于半监督混合聚类的推荐方法 | 第39-65页 |
| 3.1 问题的提出 | 第39-40页 |
| 3.2 半监督聚类相关研究 | 第40-41页 |
| 3.3 常用聚类算法 | 第41-45页 |
| 3.3.1 K-Means 算法 | 第41-42页 |
| 3.3.2 EM 聚类算法 | 第42-45页 |
| 3.4 SSCGD 算法描述 | 第45-50页 |
| 3.4.1 算法的框架 | 第45页 |
| 3.4.2 权重矩阵构建 | 第45-46页 |
| 3.4.3 目标函数构建 | 第46-47页 |
| 3.4.4 目标函数优化与求解 | 第47-50页 |
| 3.5 实验结果与分析 | 第50-64页 |
| 3.5.1 实验数据准备 | 第50-53页 |
| 3.5.2 实验评估方法 | 第53-54页 |
| 3.5.3 聚类准确率实验 | 第54-60页 |
| 3.5.4 推荐实验结果及分析 | 第60-64页 |
| 3.6 本章小结 | 第64-65页 |
| 4 基于主动学习与协同训练的半监督推荐方法 | 第65-83页 |
| 4.1 问题的提出 | 第65-66页 |
| 4.2 协同训练与主动学习相关研究 | 第66-69页 |
| 4.2.1 协同训练算法 | 第66-67页 |
| 4.2.2 主动学习算法 | 第67-69页 |
| 4.3 SSLCA 算法描述 | 第69-74页 |
| 4.3.1 算法的框架 | 第69-70页 |
| 4.3.2 基于熵的视图划分方法 | 第70-71页 |
| 4.3.3 置信度估算方法 | 第71-72页 |
| 4.3.4 最大信息量估计方法 | 第72-73页 |
| 4.3.5 算法伪代码描述 | 第73-74页 |
| 4.4 实验结果与分析 | 第74-82页 |
| 4.4.1 实验数据准备 | 第74-76页 |
| 4.4.2 实验评估方法 | 第76页 |
| 4.4.3 分类准确率实验 | 第76-79页 |
| 4.4.4 推荐实验结果及分析 | 第79-82页 |
| 4.5 本章小结 | 第82-83页 |
| 5 基于自增量学习的半监督推荐方法 | 第83-104页 |
| 5.1 问题的提出 | 第83页 |
| 5.2 自增量学习相关研究 | 第83-88页 |
| 5.2.1 自增量学习的策略 | 第83-84页 |
| 5.2.2 无标签数据对模型影响分析 | 第84-88页 |
| 5.2.3 高斯分布的理论基础 | 第88页 |
| 5.3 置信度度量方法 | 第88-90页 |
| 5.3.1 基于 K 近邻的置信度 | 第89-90页 |
| 5.3.2 基于最大差距的置信度 | 第90页 |
| 5.4 SSLSH 算法描述 | 第90-94页 |
| 5.4.1 算法的框架及描述 | 第90-93页 |
| 5.4.2 数据选择算法 | 第93-94页 |
| 5.5 实验结果与分析 | 第94-103页 |
| 5.5.1 实验数据准备 | 第94页 |
| 5.5.2 分类准确率实验 | 第94-101页 |
| 5.5.3 推荐实验结果及分析 | 第101-103页 |
| 5.6 本章小结 | 第103-104页 |
| 6 基于图模型的半监督推荐方法 | 第104-116页 |
| 6.1 问题的提出 | 第104页 |
| 6.2 图模型的相关研究 | 第104-108页 |
| 6.2.1 图上的半监督学习 | 第104-107页 |
| 6.2.2 基于图的推荐模型 | 第107-108页 |
| 6.3 GSSLC 算法的描述 | 第108-112页 |
| 6.3.1 图的构建 | 第108-109页 |
| 6.3.2 算法推导及伪代码描述 | 第109-111页 |
| 6.3.3 算法收敛性证明 | 第111-112页 |
| 6.4 实验结果与分析 | 第112-115页 |
| 6.4.1 实验数据准备 | 第112页 |
| 6.4.2 参数选择 | 第112-113页 |
| 6.4.3 推荐实验及分析 | 第113-115页 |
| 6.5 本章小结 | 第115-116页 |
| 7 结论与展望 | 第116-118页 |
| 7.1 结论 | 第116-117页 |
| 7.2 展望 | 第117-118页 |
| 致谢 | 第118-122页 |
| 参考文献 | 第122-134页 |
| 附录 | 第134-135页 |
| A. 作者在攻读博士学位期间发表的学术论文目录 | 第134-135页 |
| B. 作者在攻读博士学位期间参与的科研项目 | 第135页 |
