基于深度学习的推荐系统算法的研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 推荐系统的研究现状 | 第10-20页 |
| 1.2.1 基于邻域的算法 | 第10-11页 |
| 1.2.2 基于内容的算法 | 第11-13页 |
| 1.2.3 基于深度学习的算法 | 第13-20页 |
| 1.3 研究内容简述 | 第20-21页 |
| 第二章 数据分析与评测指标 | 第21-30页 |
| 2.1 问题描述 | 第21页 |
| 2.2 数据集介绍 | 第21-23页 |
| 2.3 数据集探索性分析 | 第23-25页 |
| 2.4 数据集的预处理 | 第25-26页 |
| 2.5 推荐系统评测指标 | 第26-30页 |
| 第三章 基于Wide&Deep的算法的实践 | 第30-37页 |
| 3.1 概述 | 第30页 |
| 3.2 模型的特征处理 | 第30-36页 |
| 3.2.1 宽度模型的特征选择与处理 | 第30-31页 |
| 3.2.2 深度模型的特征选择与处理 | 第31-35页 |
| 3.2.3 模型架构设计 | 第35-36页 |
| 3.2.4 模型的训练与参数优化 | 第36页 |
| 3.4 实验结果 | 第36-37页 |
| 第四章 基于Autoencoder的算法的实践 | 第37-42页 |
| 4.1 概述 | 第37页 |
| 4.2 算法实现 | 第37-40页 |
| 4.3 实验过程 | 第40-42页 |
| 第五章 基于循环神经网络的算法实践 | 第42-47页 |
| 5.1 概述 | 第42页 |
| 5.2 LSTM网络结构 | 第42-43页 |
| 5.3 模型具体实现 | 第43-45页 |
| 5.3.1 模型结构 | 第43-44页 |
| 5.3.2 输入数据的处理 | 第44-45页 |
| 5.3.3 模型的训练 | 第45页 |
| 5.4 实验结果 | 第45-47页 |
| 第六章 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47-48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录1 数据集预处理代码 | 第52-58页 |
| 附录2 电影内容向量训练程序代码 | 第58-61页 |
| 附录3 Wide&Deep模型代码 | 第61-67页 |
| 附录4 基于用户的协同过滤的SPARK代码 | 第67-74页 |
| 附录5 CDAE模型实现代码 | 第74-83页 |
| 附录6 LSTM推荐模型实现代码 | 第83-92页 |
| 攻读硕士学位期间取得的研究成果 | 第92-93页 |
| 致谢 | 第93-94页 |
| 附件 | 第94页 |
