序列事件周期性检测模型优化及应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-13页 |
| 1.2 研究问题 | 第13-14页 |
| 1.3 研究意义及创新点 | 第14-15页 |
| 1.4 研究框架 | 第15-18页 |
| 第二章 相关研究综述 | 第18-24页 |
| 2.1 序列事件周期性检测 | 第18-19页 |
| 2.2 机器学习中的正则化技术 | 第19-20页 |
| 2.3 基于时间感知的推荐 | 第20-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 研究方法 | 第24-32页 |
| 3.1 方法概述 | 第24-25页 |
| 3.2 序列事件周期性检测方法 | 第25-28页 |
| 3.2.1 周期检测的相关概念 | 第25-26页 |
| 3.2.2 基于交叉熵的序列事件周期性检测方法 | 第26-28页 |
| 3.3 正则化技术 | 第28-29页 |
| 3.4 考虑行为周期性的推荐策略 | 第29-30页 |
| 3.5 本章小结 | 第30-32页 |
| 第四章 CEPD算法效率分析 | 第32-47页 |
| 4.1 CEPD算法时间复杂度分析 | 第32-34页 |
| 4.2 实验对比 | 第34-36页 |
| 4.3 运行速度对比 | 第36-41页 |
| 4.3.1 序列长度 | 第36-37页 |
| 4.3.2 周期大小 | 第37-38页 |
| 4.3.3 事件个数 | 第38-40页 |
| 4.3.4 噪音比例 | 第40-41页 |
| 4.4 抗噪音性能对比 | 第41-44页 |
| 4.4.1 均匀分布噪音 | 第41-42页 |
| 4.4.2 正态分布噪音 | 第42-44页 |
| 4.5 周期检测准确率对比 | 第44-45页 |
| 4.6 本章小结 | 第45-47页 |
| 第五章 CEPD模型优化 | 第47-57页 |
| 5.1 CEPD方法遇到的问题 | 第47-48页 |
| 5.2 加入正则化项后的优化模型 | 第48-49页 |
| 5.3 正则化模型实验 | 第49-56页 |
| 5.3.1 构造数据 | 第49-52页 |
| 5.3.2 Amazon网站访问数据 | 第52-54页 |
| 5.3.3 通话数据 | 第54-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 基于事件周期性的推荐应用 | 第57-67页 |
| 6.1 考虑行为周期性的推荐策略 | 第57-59页 |
| 6.1.1 推荐策略 | 第57-58页 |
| 6.1.2 推荐指标 | 第58-59页 |
| 6.2 实验数据 | 第59-61页 |
| 6.3 实验结果 | 第61-66页 |
| 6.3.1 周期性检测 | 第61-63页 |
| 6.3.2 推荐结果 | 第63-66页 |
| 6.4 本章小结 | 第66-67页 |
| 第七章 结论与展望 | 第67-70页 |
| 7.1 研究总结 | 第67-68页 |
| 7.2 管理启示 | 第68页 |
| 7.3 研究展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-76页 |
