基于泊松张量分解的社会化推荐算法
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文的主要工作 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 相关理论背景 | 第18-29页 |
| 2.1 推荐系统 | 第18-22页 |
| 2.2 常用推荐算法 | 第22-26页 |
| 2.2.1 基于内存的协同过滤推荐算法 | 第23-24页 |
| 2.2.2 隐语义模型推荐算法 | 第24-25页 |
| 2.2.3 图模型推荐算法 | 第25-26页 |
| 2.3 社区发现 | 第26-28页 |
| 2.3.1 谱聚类 | 第27页 |
| 2.3.2 标签传播 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于泊松张量分解的社会化推荐算法 | 第29-48页 |
| 3.1 问题描述 | 第29页 |
| 3.2 寻找用户同兴趣好友 | 第29-35页 |
| 3.3 结合用户时间上下文信息 | 第35-39页 |
| 3.3.1 利用张量模型结合用户的时间上下文信息 | 第35-37页 |
| 3.3.2 泊松分解 | 第37-39页 |
| 3.4 基于泊松张量分解的社会化推荐算法 | 第39-47页 |
| 3.4.1 模型说明 | 第40-42页 |
| 3.4.2 基于SPTD进行推荐 | 第42页 |
| 3.4.3 利用变分法学习隐变量 | 第42-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 实验及结果分析 | 第48-57页 |
| 4.1 数据集说明 | 第48-50页 |
| 4.2 评价指标 | 第50-51页 |
| 4.3 对比算法 | 第51页 |
| 4.4 实验结果对比与分析 | 第51-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-65页 |
| 致谢 | 第65页 |
