首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

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

论文共86页,点击 下载论文
上一篇:“两廊一圈”之“东廊”的功能演变研究--以近60年为考察对象
下一篇:《芥子园画传》考