个性化推荐的可解释性研究
摘要 | 第3-5页 |
Abstract | 第5-7页 |
主要符号对照表 | 第11-13页 |
第1章 引言 | 第13-21页 |
1.1 研究背景 | 第13-16页 |
1.2 本研究工作面临的主要挑战 | 第16-18页 |
1.3 本文的主要贡献 | 第18-19页 |
1.4 三种可解释性的内在联系 | 第19-21页 |
第2章 研究现状与相关工作 | 第21-31页 |
2.1 个性化推荐 | 第21-25页 |
2.2 矩阵分解 | 第25-28页 |
2.3 推荐的可解释性 | 第28页 |
2.4 文本情感分析 | 第28-29页 |
2.5 本章小结 | 第29-31页 |
第3章 数据的可解释性 | 第31-69页 |
3.1 矩阵的群组结构 | 第31-45页 |
3.1.1 本节引言 | 第31-33页 |
3.1.2 相关工作 | 第33-34页 |
3.1.3 双边块对角矩阵及其性质 | 第34-39页 |
3.1.4 矩阵的双边块对角化算法 | 第39-43页 |
3.1.5 基于块对角阵的协同过滤 | 第43-45页 |
3.2 局部化矩阵分解算法 | 第45-58页 |
3.2.1 本节引言 | 第45-46页 |
3.2.2 相关工作 | 第46-47页 |
3.2.3 双边块对角矩阵的分解性质 | 第47-50页 |
3.2.4 近似矩阵分解算法及其可拆分性质 | 第50-54页 |
3.2.5 局部化矩阵分解框架 | 第54-55页 |
3.2.6 局部化矩阵分解框架 | 第55-58页 |
3.3 性能评测 | 第58-68页 |
3.3.1 双边块对角矩阵与群组结构的定性研究 | 第58-60页 |
3.3.2 局部化矩阵分解算法性能及预测精度 | 第60-68页 |
3.4 本章小结 | 第68-69页 |
第4章 模型的可解释性 | 第69-116页 |
4.1 显式变量分解模型 | 第69-80页 |
4.1.1 本节引言 | 第69-71页 |
4.1.2 相关工作 | 第71-73页 |
4.1.3 基于用户评论的情感词典构建 | 第73-74页 |
4.1.4 显式变量分解模型及其可解释性 | 第74-78页 |
4.1.5 推荐列表的构建 | 第78-79页 |
4.1.6 属性级个性化推荐理由的构建 | 第79-80页 |
4.2 动态化时序推荐模型 | 第80-94页 |
4.2.1 本节引言 | 第80-82页 |
4.2.2 相关工作 | 第82-83页 |
4.2.3 用户偏好的时序性质 | 第83-87页 |
4.2.4 属性词流行度的动态预测 | 第87-91页 |
4.2.5 基于条件机会估计的时序推荐模型 | 第91-94页 |
4.3 性能评测 | 第94-114页 |
4.3.1 基于显式变量模型的可解释性推荐评测 | 第94-102页 |
4.3.2 基于浏览器的真实用户线上评测 | 第102-105页 |
4.3.3 基于属性词流行度的动态推荐评测 | 第105-114页 |
4.4 本章小结 | 第114-116页 |
第5章 推荐的经济学解释 | 第116-141页 |
5.1 互联网福利的最大化 | 第116-125页 |
5.1.1 本节引言 | 第116-118页 |
5.1.2 相关工作 | 第118-119页 |
5.1.3 互联网成本效用与福利 | 第119-122页 |
5.1.4 基于福利最大化的个性化推荐框架 | 第122-125页 |
5.2 典型网络平台中的福利最大化 | 第125-132页 |
5.2.1 电子商务网站 | 第125-127页 |
5.2.2 P2P网络贷款 | 第127-129页 |
5.2.3 在线众包平台 | 第129-131页 |
5.2.4 小结与讨论 | 第131-132页 |
5.3 性能评测 | 第132-140页 |
5.3.1 电子商务网站 | 第132-137页 |
5.3.2 P2P网络贷款 | 第137-138页 |
5.3.3 在线自由职业与众包平台 | 第138-140页 |
5.4 本章小结 | 第140-141页 |
第6章 总结与展望 | 第141-145页 |
6.1 研究工作总结 | 第141-143页 |
6.2 未来工作展望 | 第143-145页 |
参考文献 | 第145-165页 |
致谢 | 第165-167页 |
个人简历、在学期间发表的学术论文与研究成果 | 第167-170页 |