非完备多源结构化知识迁移的跨域推荐方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 研究背景与意义 | 第13-17页 |
| 1.1.1 理论价值 | 第15-16页 |
| 1.1.2 应用价值 | 第16-17页 |
| 1.2 问题描述 | 第17-22页 |
| 1.2.1 领域的定义 | 第17-18页 |
| 1.2.2 跨领域推荐的任务 | 第18-19页 |
| 1.2.3 定义迁移学习 | 第19-20页 |
| 1.2.4 跨领域推荐目标 | 第20页 |
| 1.2.5 跨领域推荐环境 | 第20-22页 |
| 1.3 国内外研究现状 | 第22-23页 |
| 1.3.1 协同过滤 | 第22页 |
| 1.3.2 矩阵分解 | 第22-23页 |
| 1.3.3 迁移学习 | 第23页 |
| 1.3.4 上下文感知推荐 | 第23页 |
| 1.4 有待研究的问题 | 第23-24页 |
| 1.5 研究内容与主要贡献 | 第24-26页 |
| 1.6 本文组织结构 | 第26-27页 |
| 第2章 非完备正交非负矩阵三分解 | 第27-39页 |
| 2.1 引言 | 第27-31页 |
| 2.1.1 ONMTF方法 | 第27-28页 |
| 2.1.2 数据分析 | 第28-31页 |
| 2.2 非完备正交非负矩阵三分解 | 第31-34页 |
| 2.2.1 问题定义 | 第31-32页 |
| 2.2.2 优化方法 | 第32-33页 |
| 2.2.3 算法概述 | 第33页 |
| 2.2.4 收敛性分析 | 第33页 |
| 2.2.5 计算复杂度 | 第33-34页 |
| 2.3 实验 | 第34-37页 |
| 2.3.1 数据配置 | 第34-35页 |
| 2.3.2 评价指标 | 第35页 |
| 2.3.3 对照基线 | 第35-36页 |
| 2.3.4 实验结果 | 第36-37页 |
| 2.3.5 结果分析 | 第37页 |
| 2.4 小结 | 第37-39页 |
| 第3章 低维表征潜在因子选择算法 | 第39-65页 |
| 3.1 引言 | 第39-48页 |
| 3.1.1 CBT模型 | 第39-41页 |
| 3.1.2 迁移矩阵与迁移学习 | 第41-46页 |
| 3.1.3 K-means聚类的k值 | 第46-48页 |
| 3.2 低维表征潜在因子选择算法 | 第48-54页 |
| 3.2.1 问题定义 | 第49-52页 |
| 3.2.2 算法概述 | 第52-54页 |
| 3.2.3 计算复杂度 | 第54页 |
| 3.3 实验 | 第54-59页 |
| 3.3.1 数据配置 | 第54-55页 |
| 3.3.2 参数配置 | 第55-56页 |
| 3.3.3 实验结果与分析 | 第56-59页 |
| 3.4 LLS算法改进 | 第59-63页 |
| 3.4.1 修改codebook初始规模 | 第59-60页 |
| 3.4.2 LLS-弹性算法 | 第60-62页 |
| 3.4.3 实验结果 | 第62-63页 |
| 3.5 小结 | 第63-65页 |
| 第4章 正则化多源迁移模型 | 第65-81页 |
| 4.1 引言 | 第65-67页 |
| 4.2 多源迁移模型 | 第67-74页 |
| 4.2.1 问题定义 | 第67-70页 |
| 4.2.2 正则化多元迁移模型 | 第70页 |
| 4.2.3 优化方法 | 第70-71页 |
| 4.2.4 算法概述 | 第71-73页 |
| 4.2.5 计算复杂度 | 第73-74页 |
| 4.3 实验 | 第74-80页 |
| 4.3.1 数据配置 | 第74页 |
| 4.3.2 评价指标 | 第74页 |
| 4.3.3 对照基线 | 第74-75页 |
| 4.3.4 实验配置 | 第75页 |
| 4.3.5 实验结果与分析 | 第75-80页 |
| 4.4 小结 | 第80-81页 |
| 第5章 修正学习与场景修正模型 | 第81-107页 |
| 5.1 引言 | 第81-84页 |
| 5.2 场景修正模型 | 第84-86页 |
| 5.2.1 问题定义 | 第85-86页 |
| 5.3 簇评分偏移趋势修正框架 | 第86-91页 |
| 5.3.1 评分偏移矩阵 | 第86-87页 |
| 5.3.2 关系矩阵 | 第87-88页 |
| 5.3.3 修正函数 | 第88-89页 |
| 5.3.4 计算复杂度 | 第89-90页 |
| 5.3.5 负迁移问题 | 第90页 |
| 5.3.6 迁移学习与修正学习 | 第90-91页 |
| 5.4 实验 | 第91-104页 |
| 5.4.1 数据配置 | 第91-92页 |
| 5.4.2 算法配置 | 第92-98页 |
| 5.4.3 实现细节 | 第98-102页 |
| 5.4.4 实验结果与分析 | 第102-104页 |
| 5.5 小结 | 第104-107页 |
| 第6章 多梯度层修正模型 | 第107-155页 |
| 6.1 引言 | 第107-112页 |
| 6.1.1 多视图方法 | 第107-108页 |
| 6.1.2 修正学习中的多视图 | 第108-111页 |
| 6.1.3 本章贡献 | 第111-112页 |
| 6.2 多梯度层修正模型 | 第112-135页 |
| 6.2.1 问题定义 | 第112-113页 |
| 6.2.2 用户视角与项目视图 | 第113-123页 |
| 6.2.3 项目视角与用户视图 | 第123-127页 |
| 6.2.4 环境视图 | 第127-129页 |
| 6.2.5 动态阈值学习 | 第129-131页 |
| 6.2.6 算法概述 | 第131-133页 |
| 6.2.7 并行性分析 | 第133-135页 |
| 6.2.8 计算复杂度 | 第135页 |
| 6.3 实验 | 第135-154页 |
| 6.3.1 数据配置 | 第135-136页 |
| 6.3.2 评价标准 | 第136-137页 |
| 6.3.3 实验配置 | 第137-138页 |
| 6.3.4 算法配置 | 第138-148页 |
| 6.3.5 并行化实现与优化 | 第148-152页 |
| 6.3.6 实验结果与分析 | 第152-154页 |
| 6.4 小结 | 第154-155页 |
| 第7章 潜在因子修正模型 | 第155-171页 |
| 7.1 引言 | 第155-158页 |
| 7.2 潜在因子修正模型 | 第158-165页 |
| 7.2.1 问题定义 | 第158-159页 |
| 7.2.2 低维表征分析 | 第159-160页 |
| 7.2.3 局部适配的非负矩阵分解 | 第160-161页 |
| 7.2.4 收敛性分析 | 第161-162页 |
| 7.2.5 算法概述 | 第162-164页 |
| 7.2.6 计算复杂度 | 第164-165页 |
| 7.3 实验 | 第165-168页 |
| 7.3.1 数据配置 | 第165-166页 |
| 7.3.2 实验结果 | 第166-167页 |
| 7.3.3 结果分析 | 第167-168页 |
| 7.4 小结 | 第168-171页 |
| 第8章 总结与展望 | 第171-175页 |
| 8.1 本文总结 | 第171-172页 |
| 8.2 未来工作展望 | 第172-175页 |
| 参考文献 | 第175-183页 |
| 攻读硕士学位期间发表的学术论文 | 第183-185页 |
| 致谢 | 第185页 |
