基于在线快速学习隐语义模型的个性化新闻推荐
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 相关工作 | 第10-11页 |
| 1.3 论文组织结构 | 第11-12页 |
| 第二章 个性化推荐技术相关工作 | 第12-20页 |
| 2.1 个性化推荐系统概述 | 第12-13页 |
| 2.2 个性化推荐方法 | 第13-16页 |
| 2.2.1 协同过滤推荐 | 第13-15页 |
| 2.2.2 基于内容的推荐 | 第15页 |
| 2.2.3 混合推荐系统 | 第15-16页 |
| 2.3 个性化推荐在新闻领域的应用 | 第16-18页 |
| 2.3.1 面向新闻的个性化推荐 | 第16-17页 |
| 2.3.2 个性化新闻推荐现状 | 第17-18页 |
| 2.3.3 个性化新闻推荐面临的挑战 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 基于隐语义模型的个性化新闻推荐技术研究 | 第20-34页 |
| 3.1 隐语义模型 | 第20-25页 |
| 3.1.1 概述 | 第20-22页 |
| 3.1.2 基本算法与弊端 | 第22-25页 |
| 3.2 基于在线快速学习的隐语义模型 | 第25-28页 |
| 3.2.1 建模思路 | 第25-26页 |
| 3.2.2 模型总体设计 | 第26-28页 |
| 3.3 模型详解 | 第28-31页 |
| 3.3.1 在线回归及基于特征的偏移 | 第28-29页 |
| 3.3.2 降秩回归 | 第29-30页 |
| 3.3.3 同步学习用户和项目因子 | 第30-31页 |
| 3.4 模型拟合 | 第31-33页 |
| 3.4.1 线下模型拟合 | 第31-32页 |
| 3.4.2 快速在线回归 | 第32-33页 |
| 3.4.3 在线模型选择 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 在线快速学习隐语义模型的新闻推荐系统实现 | 第34-44页 |
| 4.1 推荐系统外围框架 | 第34页 |
| 4.2 推荐系统模型构建 | 第34-36页 |
| 4.2.1 用户偏好模型 | 第35页 |
| 4.2.2 新闻隐类模型 | 第35-36页 |
| 4.2.3 隐类偏好模型计算 | 第36页 |
| 4.3 推荐系统处理流程 | 第36-42页 |
| 4.3.1 样本采集模块 | 第36-37页 |
| 4.3.2 模型训练模块 | 第37-41页 |
| 4.3.3 推荐计算模块 | 第41页 |
| 4.3.4 新闻推荐列表生成更新 | 第41-42页 |
| 4.4 新闻推荐生成 | 第42页 |
| 4.4.1 匹配度计算 | 第42页 |
| 4.4.2 时效权值排序 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 新闻推荐系统实验评估 | 第44-51页 |
| 5.1 My Yahoo!数据集 | 第44-47页 |
| 5.1.1 数据 | 第44页 |
| 5.1.2 模型 | 第44-45页 |
| 5.1.3 性能指标 | 第45-46页 |
| 5.1.4 实验结果 | 第46-47页 |
| 5.1.5 在线模型选择的有效性 | 第47页 |
| 5.2 MoiveLens数据集 | 第47-50页 |
| 5.2.1 数据 | 第48页 |
| 5.2.2 模型 | 第48页 |
| 5.2.3 数据集分割 | 第48-49页 |
| 5.2.4 实验结果 | 第49-50页 |
| 5.3 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-56页 |
| 附录1 攻读硕士学位期间申请的专利 | 第56-57页 |
| 致谢 | 第57页 |
