基于隐语义模型与深度森林的人力资源推荐算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.2 国内外研究及发展现状 | 第13-14页 |
| 1.2.1 推荐算法研究现状 | 第13-14页 |
| 1.2.2 推荐技术在人力资源领域的发展现状 | 第14页 |
| 1.3 本文主要研究的内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 第二章 相关理论及技术介绍 | 第17-30页 |
| 2.1 机器学习相关理论 | 第17-22页 |
| 2.1.1 矩阵分解 | 第17-18页 |
| 2.1.2 决策树 | 第18-19页 |
| 2.1.3 随机森林 | 第19-20页 |
| 2.1.4 深度森林 | 第20-22页 |
| 2.2 常用推荐方法 | 第22-27页 |
| 2.2.1 基于协同过滤的推荐 | 第22-24页 |
| 2.2.1.1 基于用户的协同过滤算法 | 第23页 |
| 2.2.1.2 基于项目的协同过滤算法 | 第23-24页 |
| 2.2.2 基于内容的推荐 | 第24-25页 |
| 2.2.3 基于关联规则的推荐 | 第25页 |
| 2.2.4 混合推荐 | 第25-26页 |
| 2.2.5 不同推荐算法之间的比较 | 第26-27页 |
| 2.3 推荐算法评测指标 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 推荐算法设计思路 | 第30-35页 |
| 3.1 引言 | 第30-31页 |
| 3.2 算法总体流程 | 第31-33页 |
| 3.3 算法描述 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 数据预处理与数据仓库 | 第35-47页 |
| 4.1 引言 | 第35-37页 |
| 4.2 数据预处理 | 第37-38页 |
| 4.3 数据仓库设计 | 第38-43页 |
| 4.3.1 逻辑设计 | 第38-40页 |
| 4.3.2 物理设计 | 第40-43页 |
| 4.4 OLAP分析 | 第43-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于隐语义模型与深度森林的推荐算法 | 第47-65页 |
| 5.1 引言 | 第47页 |
| 5.2 基于用户行为的隐语义模型 | 第47-54页 |
| 5.2.1 隐语义模型 | 第47-50页 |
| 5.2.2 偏置项引入 | 第50-51页 |
| 5.2.3 流程与实现 | 第51-54页 |
| 5.3 融合隐式特征的深度森林 | 第54-62页 |
| 5.3.1 样本平衡 | 第54页 |
| 5.3.2 特征提取与融合 | 第54-55页 |
| 5.3.3 模型结构 | 第55-61页 |
| 5.3.3.1 多粒度扫描 | 第56-57页 |
| 5.3.3.2 级联森林结构 | 第57-61页 |
| 5.3.4 模型训练 | 第61-62页 |
| 5.4 混合推荐 | 第62-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 人力资源推荐系统 | 第65-70页 |
| 6.1 系统功能需求分析 | 第65-66页 |
| 6.2 推荐系统总体设计 | 第66-67页 |
| 6.3 系统执行流程与实现 | 第67-69页 |
| 6.4 本章小结 | 第69-70页 |
| 第七章 实验结果与讨论 | 第70-77页 |
| 7.1 实验数据集 | 第70页 |
| 7.2 实验环境 | 第70-71页 |
| 7.3 实验评估指标 | 第71-72页 |
| 7.4 实验结果及分析 | 第72-76页 |
| 7.4.1 算法参数对推荐性能的影响 | 第72-73页 |
| 7.4.2 模型优化前后的性能对比 | 第73-74页 |
| 7.4.3 混合推荐的性能测试 | 第74-75页 |
| 7.4.4 与其他算法的比较 | 第75-76页 |
| 7.5 本章小结 | 第76-77页 |
| 总结与展望 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 附件 | 第85页 |
