基于CUR分解的偏好处理方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-19页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外研究发展现状 | 第8-11页 |
| 1.2.1 CUR矩阵分解与数据分析 | 第8-10页 |
| 1.2.2 RSVD矩阵分解与推荐系统 | 第10页 |
| 1.2.3 推荐系统中的推荐算法 | 第10-11页 |
| 1.3 基本概念及性质 | 第11-17页 |
| 1.3.1 SVD分解及其改进算法SVD++ | 第11-13页 |
| 1.3.2 特征提取的方法和技术 | 第13-16页 |
| 1.3.3 矩阵恢复 | 第16-17页 |
| 1.4 研究思路与创新点 | 第17-18页 |
| 1.5 内容组织 | 第18-19页 |
| 2 基于CUR矩阵分解的偏好特征提取 | 第19-39页 |
| 2.1 CUR算法描述 | 第19-20页 |
| 2.2 CUR算法的求解实例 | 第20-22页 |
| 2.3 算法的性质分析 | 第22-24页 |
| 2.3.1 时间复杂度分析 | 第22-23页 |
| 2.3.2 空间复杂度分析 | 第23页 |
| 2.3.3 算法的准确性和压缩率 | 第23-24页 |
| 2.4 实验结果与分析 | 第24-38页 |
| 2.4.1 实验过程 | 第25-26页 |
| 2.4.2 评估尺度 | 第26页 |
| 2.4.3 实验讨论与对比 | 第26-38页 |
| 2.5 本章小结 | 第38-39页 |
| 3 CUR/C+RSVD两阶段协同预测框架 | 第39-59页 |
| 3.1 正则化奇异值分解算法 | 第39-41页 |
| 3.1.1 RSVD的优势 | 第40页 |
| 3.1.2 RSVD面临的挑战 | 第40-41页 |
| 3.2 CUR/C+RSVD协同预测算法 | 第41-48页 |
| 3.2.1 改进CUR矩阵分解算法 | 第41-42页 |
| 3.2.2 CUR/C+RSVD算法描述 | 第42-44页 |
| 3.2.3 CUR/C+RSVD算法求解实例 | 第44-48页 |
| 3.3 算法的性质分析 | 第48-52页 |
| 3.3.1 算法正确性分析 | 第49-50页 |
| 3.3.2 算法时间复杂度分析 | 第50-51页 |
| 3.3.3 算法空间复杂度分析 | 第51页 |
| 3.3.4 算法的优势 | 第51-52页 |
| 3.4 实验结果与分析 | 第52-58页 |
| 3.4.1 评估尺度 | 第52-54页 |
| 3.4.2 实验过程 | 第54-55页 |
| 3.4.3 实验讨论与对比 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 4 总结与展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士期间发表的论文 | 第67-68页 |
| 附录一 表目录 | 第68-69页 |
| 附录二 图目录 | 第69-71页 |
