基于矩阵分解的个性化推荐系统
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第16-30页 |
| 1.1 研究背景 | 第16-19页 |
| 1.2 研究内容与挑战 | 第19-25页 |
| 1.2.1 商品推荐 | 第20-22页 |
| 1.2.2 评分预测 | 第22-24页 |
| 1.2.3 标签推荐 | 第24-25页 |
| 1.3 研究贡献 | 第25-27页 |
| 1.3.1 基于局部加权矩阵分解的商品推荐 | 第25-26页 |
| 1.3.2 基于多主题矩阵分解的评分预测 | 第26页 |
| 1.3.3 时间感知的标签推荐 | 第26-27页 |
| 1.4 章节安排 | 第27-30页 |
| 第二章 研究现状 | 第30-52页 |
| 2.1 协同过滤模型 | 第30-44页 |
| 2.1.1 基于K近邻的协同过滤模型 | 第30-32页 |
| 2.1.2 基于矩阵分解的协同过滤模型 | 第32-41页 |
| 2.1.3 基于概率图的协同过滤模型 | 第41-44页 |
| 2.2 基本矩阵分解模型介绍 | 第44-52页 |
| 2.2.1 概率矩阵分解模型 | 第44-47页 |
| 2.2.2 加权矩阵分解模型 | 第47-49页 |
| 2.2.3 成对交互张量分解模型 | 第49-52页 |
| 第三章 基于局部加权矩阵分解的商品推荐 | 第52-76页 |
| 3.1 引言 | 第52-54页 |
| 3.2 模型描述与优化 | 第54-65页 |
| 3.2.1 模型概览 | 第55-57页 |
| 3.2.2 锚点集合选择 | 第57-60页 |
| 3.2.3 优化算法 | 第60-64页 |
| 3.2.4 基于用户的局部加权矩阵分解 | 第64-65页 |
| 3.3 实验及分析 | 第65-74页 |
| 3.3.1 实验设置 | 第65-68页 |
| 3.3.2 实验结果及分析 | 第68-74页 |
| 3.4 本章小结 | 第74-76页 |
| 第四章 基于多主题矩阵分解的评分预测 | 第76-96页 |
| 4.1 引言 | 第76-78页 |
| 4.2 贝叶斯多主题矩阵分解模型 | 第78-87页 |
| 4.2.1 模型概览 | 第79-82页 |
| 4.2.2 吉布斯采样参数学习 | 第82-87页 |
| 4.2.3 评分预测 | 第87页 |
| 4.3 实验及分析 | 第87-93页 |
| 4.3.1 实验设置 | 第88-90页 |
| 4.3.2 实验结果及分析 | 第90-93页 |
| 4.4 本章小结 | 第93-96页 |
| 第五章 时间感知的标签推荐 | 第96-116页 |
| 5.1 引言 | 第96-98页 |
| 5.2 相关工作 | 第98-100页 |
| 5.3 时间感知的逐对排序张量分解模型 | 第100-106页 |
| 5.3.1 时间信息建模 | 第100-102页 |
| 5.3.2 模型构建与学习 | 第102-105页 |
| 5.3.3 时间复杂度分析 | 第105-106页 |
| 5.4 实验及分析 | 第106-112页 |
| 5.4.1 实验设置 | 第106-108页 |
| 5.4.2 实验结果及分析 | 第108-112页 |
| 5.5 本章小结 | 第112-116页 |
| 第六章 总结与展望 | 第116-120页 |
| 6.1 研究总结 | 第116-117页 |
| 6.2 研究展望 | 第117-120页 |
| 参考文献 | 第120-134页 |
| 附录 | 第134-136页 |
| 致谢 | 第136-138页 |
| 攻读博±学位期间发表的学术论文、科研倩况及奖项 | 第138-139页 |
