基于概率矩阵分解深度推荐算法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 现有算法存在的问题 | 第12-14页 |
| 1.4 论文研究内容 | 第14-15页 |
| 1.5 论文的组织结构 | 第15-17页 |
| 第2章 概率矩阵分解深度推荐相关理论研究 | 第17-28页 |
| 2.1 概率矩阵分解模型 | 第17-19页 |
| 2.1.1 矩阵分解 | 第17-18页 |
| 2.1.2 概率矩阵分解 | 第18-19页 |
| 2.2 长短期记忆网络模型 | 第19-23页 |
| 2.2.1 循环神经网络 | 第20-21页 |
| 2.2.2 长短期记忆网络 | 第21-23页 |
| 2.3 基于TensorFlow深度学习框架 | 第23-26页 |
| 2.3.1 TensorFlow系统架构 | 第24页 |
| 2.3.2 TensorFlow设计理念 | 第24-25页 |
| 2.3.3 TensorFlow的特性 | 第25-26页 |
| 2.4 推荐算法准确度评测指标 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 带有时序特性的概率矩阵分解模型 | 第28-35页 |
| 3.1 引言 | 第28页 |
| 3.2 问题定义及常见改进措施 | 第28-30页 |
| 3.2.1 问题定义 | 第29页 |
| 3.2.2 常见改进措施 | 第29-30页 |
| 3.3 带有时序特性的概率矩阵分解模型 | 第30-34页 |
| 3.3.1 概率矩阵分解深度推荐模型的构建 | 第31-33页 |
| 3.3.2 概率矩阵分解深度推荐模型的描述 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 概率矩阵分解深度推荐模型的优化 | 第35-44页 |
| 4.1 引言 | 第35页 |
| 4.2 模型网络结构的优化 | 第35-39页 |
| 4.2.1 标准的Dropout | 第35-37页 |
| 4.2.2 变形的Dropout的引入 | 第37-39页 |
| 4.3 模型训练方法的优化 | 第39-43页 |
| 4.3.1 模型训练算法 | 第39-41页 |
| 4.3.2 模型训练优化策略 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 实验设计及结果分析 | 第44-52页 |
| 5.1 引言 | 第44页 |
| 5.2 实验设计 | 第44-48页 |
| 5.2.1 实验环境 | 第44页 |
| 5.2.2 实验数据集描述及处理 | 第44-45页 |
| 5.2.3 实验描述 | 第45-46页 |
| 5.2.4 实验评测指标 | 第46-47页 |
| 5.2.5 实验参数选取 | 第47-48页 |
| 5.3 实验结果及分析 | 第48-51页 |
| 5.3.1 对比实验介绍 | 第48-49页 |
| 5.3.2 模型优化对比分析 | 第49-50页 |
| 5.3.3 对比实验结果分析 | 第50-51页 |
| 5.4 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第57-58页 |
| 致谢 | 第58页 |
