应用张量分解法学习最优评分的推荐系统研究
摘要 | 第1-6页 |
Abstract | 第6-10页 |
第一章 绪论 | 第10-14页 |
·研究背景和现状 | 第10-12页 |
·概述 | 第10页 |
·国内外研究现状 | 第10-11页 |
·存在的问题 | 第11-12页 |
·本课题研究意义 | 第12页 |
·本课题的研究内容 | 第12-13页 |
·本文组织结构 | 第13-14页 |
第二章 推荐系统及推荐算法概述 | 第14-32页 |
·推荐系统概念 | 第14页 |
·推荐系统应用现状 | 第14-15页 |
·传统的推荐算法介绍 | 第15-19页 |
·基于内容的推荐算法 | 第15-17页 |
·协同过滤推荐算法 | 第17-19页 |
·混合推荐算法 | 第19页 |
·基于标签的推荐算法介绍 | 第19-29页 |
·标签的概念 | 第19-20页 |
·基于标签的推荐算法 | 第20-23页 |
·基于标签的张量分解推荐算法 | 第23-29页 |
·现有推荐算法的性能分析 | 第29-31页 |
·现有推荐算法的性能分析 | 第29页 |
·现有推荐算法的缺陷 | 第29-31页 |
·本章小结 | 第31-32页 |
第三章 张量及张量分解法 | 第32-39页 |
·张量 | 第32-34页 |
·张量的定义 | 第32页 |
·张量的表示 | 第32-34页 |
·张量分解法 | 第34-38页 |
·张量分解法的应用现状 | 第34-35页 |
·张量分解法的原理 | 第35-38页 |
·本章小结 | 第38-39页 |
第四章 基于张量分解法的推荐算法 | 第39-63页 |
·算法思想 | 第39页 |
·相关定义 | 第39-43页 |
·推荐系统的表示 | 第39-40页 |
·数据集表示 | 第40-41页 |
·基于核心用户的用户聚类表示 | 第41-42页 |
·用户、产品、标签的权值定义 | 第42页 |
·张量模型的定义 | 第42-43页 |
·Tucker 张量分解法 | 第43页 |
·LORTF 算法总体流程描述 | 第43-44页 |
·算法总体描述 | 第43-44页 |
·算法流程图 | 第44页 |
·LORTF 算法详细描述 | 第44-60页 |
·数据集的预处理 | 第44-46页 |
·基于核心用户的用户聚类 | 第46-48页 |
·计算“用户-产品-标签”三元元组的加权评分 | 第48-55页 |
·张量分解、降维及最优化 | 第55-58页 |
·生成推荐结果 | 第58-60页 |
·算法的有效性分析 | 第60-62页 |
·算法时间复杂度 | 第60-61页 |
·算法空间复杂度 | 第61-62页 |
·本章小结 | 第62-63页 |
第五章 实验结果与分析 | 第63-78页 |
·实验数据集说明 | 第63-67页 |
·Last.fm 数据集 | 第63页 |
·MovieLens 数据集 | 第63-64页 |
·Del.icio.us 数据集 | 第64-65页 |
·Flickr 数据集 | 第65-66页 |
·Bibsonomy 数据集 | 第66页 |
·数据集规模 | 第66-67页 |
·实验评价标准说明 | 第67-68页 |
·算法实现框架 | 第68-69页 |
·实验结果和分析 | 第69-76页 |
·实验结果 | 第69-75页 |
·实验结果分析 | 第75-76页 |
·本章小结 | 第76-78页 |
结论与展望 | 第78-80页 |
参考文献 | 第80-85页 |
攻读硕士学位期间取得的研究成果 | 第85-86页 |
致谢 | 第86页 |