基于兴趣和神经网络的个性化情景推荐模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及研究意义 | 第8-12页 |
| 1.1.1 从搜索引擎到推荐系统 | 第8-10页 |
| 1.1.2 推荐系统的应用与竞赛 | 第10-11页 |
| 1.1.3 推荐系统的发展与挑战 | 第11-12页 |
| 1.2 本文的研究目标 | 第12-13页 |
| 1.3 本文的组织结构 | 第13-14页 |
| 第二章 相关工作研究概述 | 第14-20页 |
| 2.1 传统的推荐系统算法 | 第14-17页 |
| 2.1.1 基于内容的推荐算法 | 第14-15页 |
| 2.1.2 基于协同过滤的推荐算法 | 第15-16页 |
| 2.1.3 基于知识的推荐算法 | 第16-17页 |
| 2.2 适应于推荐系统的用户模型表示 | 第17-20页 |
| 2.2.1 向量空间模型 | 第17-18页 |
| 2.2.2 统计语言模型 | 第18-20页 |
| 第三章 基于神经网络的词向量表示策略 | 第20-33页 |
| 3.1 基于神经网络的词向量的特征表示 | 第20-26页 |
| 3.1.1 适应于推荐系统的用户兴趣表示 | 第20-21页 |
| 3.1.2 基于神经网络语言模型的词向量表示 | 第21-26页 |
| 3.2 实验设计及实现 | 第26-33页 |
| 3.2.1 训练词向量Word2vec模型 | 第26-30页 |
| 3.2.2 基于Word2vec词向量的表示 | 第30-33页 |
| 第四章 基于用户兴趣的个性化推荐策略 | 第33-42页 |
| 4.1 用户兴趣的度量表示 | 第33-34页 |
| 4.2 基于词向量的用户兴趣的LDA算法 | 第34-35页 |
| 4.3 隐藏兴趣的Doc2vec模型 | 第35-36页 |
| 4.4 实验设计及实现 | 第36-42页 |
| 4.4.1 TREC历史数据概述 | 第36-38页 |
| 4.4.2 评价指标 | 第38页 |
| 4.4.3 实验结果 | 第38-42页 |
| 第五章 融合用户兴趣的个性化推荐系统的实现 | 第42-50页 |
| 5.1 推荐系统架构 | 第42-43页 |
| 5.2 推荐系统实现 | 第43-50页 |
| 5.2.1 数据收集 | 第43-45页 |
| 5.2.2 个性化情景推荐 | 第45-46页 |
| 5.2.3 数据展示 | 第46-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 发表论文和参加科研情况说明 | 第56-57页 |
| 致谢 | 第57-58页 |
