基于隐式专家的个性化新闻推荐
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-11页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 课题背景及研究意义 | 第11-14页 |
| 1.2 个性化推荐技术研究现状 | 第14-20页 |
| 1.2.1 推荐系统研究现状 | 第14-16页 |
| 1.2.2 专家推荐研究现状 | 第16-17页 |
| 1.2.3 新闻推荐研究现状 | 第17-18页 |
| 1.2.4 混合推荐系统研究现状 | 第18-19页 |
| 1.2.5 推荐系统开源软件 | 第19-20页 |
| 1.3 论文的研究内容及组织结构 | 第20-23页 |
| 1.3.1 本文主要工作 | 第20-21页 |
| 1.3.2 论文组织结构 | 第21-23页 |
| 第二章 个性化新闻推荐特点 | 第23-29页 |
| 2.1 个性化新闻推荐特点 | 第23-24页 |
| 2.2 个性化新闻特点挑战 | 第24页 |
| 2.3 推荐系统冷启动问题 | 第24-25页 |
| 2.4 推荐系统数据稀疏性问题 | 第25-26页 |
| 2.5 推荐系统的评价 | 第26-29页 |
| 第三章 隐式专家模型 | 第29-39页 |
| 3.1 数据经验学习 | 第29-35页 |
| 3.2 构建隐式用户网络 | 第35-36页 |
| 3.3 全局专家和局部专家 | 第36-38页 |
| 3.4 专家提取算法 | 第38-39页 |
| 第四章 PRemiSE推荐框架 | 第39-49页 |
| 4.1 基本矩阵分解 | 第39-40页 |
| 4.2 概率矩阵分解 | 第40页 |
| 4.3 PRemiSE推荐框架 | 第40-43页 |
| 4.4 PRemiSE推荐框架学习 | 第43-44页 |
| 4.5 PRemiSE推荐框架推理 | 第44-46页 |
| 4.6 用户项目评分矩阵 | 第46-48页 |
| 4.7 PRemiSE框架总结 | 第48-49页 |
| 第五章 实验部分 | 第49-61页 |
| 5.1 新闻数据集 | 第49-51页 |
| 5.2 用户评分矩阵扩充 | 第51-52页 |
| 5.3 构建网络 | 第52-54页 |
| 5.4 全局专家模型 | 第54-55页 |
| 5.5 对比试验 | 第55-57页 |
| 5.6 用户冷启动问题 | 第57-60页 |
| 5.7 语义可解释性 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 研究工作总结 | 第61-62页 |
| 6.2 未来研究工作展望 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 硕士在读期间科研成果介绍 | 第69-71页 |
| 致谢 | 第71页 |
