基于深度学习和海云协同的推荐方法研究
摘要 | 第5-7页 |
ABSTRACT | 第7-9页 |
第1章 绪论 | 第18-30页 |
1.1 研究背景及意义 | 第18-23页 |
1.2 关键问题 | 第23-24页 |
1.3 本文主要研究内容与创新点 | 第24-26页 |
1.4 本文组织与结构 | 第26-30页 |
第2章 相关技术与研究背景 | 第30-54页 |
2.1 推荐系统及其常用算法 | 第30-47页 |
2.1.1 推荐系统基本架构 | 第30页 |
2.1.2 常用推荐算法 | 第30-37页 |
2.1.3 不同场景下的推荐系统及其问题 | 第37-45页 |
2.1.4 性能指标 | 第45-47页 |
2.2 分布式深度学习 | 第47-50页 |
2.2.1 分布式平台 | 第47-48页 |
2.2.2 大规模深度学习网络构建 | 第48-50页 |
2.3 多媒体服务网络架构 | 第50-54页 |
2.3.1 集中式网络架构 | 第50-52页 |
2.3.2 分布式网络架构 | 第52-53页 |
2.3.3 海云协同网络架构 | 第53页 |
2.3.4 不同网络架构对比 | 第53-54页 |
第3章 基于用户偏好时序特征的推荐算法 | 第54-70页 |
3.1 问题描述 | 第54-57页 |
3.2 基于用户偏好时序特征的推荐算法 | 第57-60页 |
3.2.1 推荐算法基本架构 | 第57-58页 |
3.2.2 损失函数 | 第58-59页 |
3.2.3 训练流程 | 第59页 |
3.2.4 推荐列表生成 | 第59-60页 |
3.3 实验与分析 | 第60-67页 |
3.3.1 实验设置 | 第60-62页 |
3.3.2 方法对比与分析 | 第62-67页 |
3.4 本章小结 | 第67-70页 |
第4章 基于共享嵌入向量的推荐算法 | 第70-90页 |
4.1 问题描述 | 第70-73页 |
4.2 基于共享嵌入向量的推荐算法 | 第73-82页 |
4.2.1 推荐算法基本架构 | 第73-75页 |
4.2.2 物品表的初始化算法 | 第75-80页 |
4.2.3 损失函数 | 第80-81页 |
4.2.4 训练及测试流程 | 第81-82页 |
4.3 实验与分析 | 第82-88页 |
4.3.1 实验设置 | 第82-83页 |
4.3.2 对比方法 | 第83页 |
4.3.3 方法对比与分析 | 第83-88页 |
4.4 本章小结 | 第88-90页 |
第5章 基于双神经网络的分布式个性化推荐算法 | 第90-100页 |
5.1 问题描述 | 第90-92页 |
5.2 基于双神经网络的分布式个性化推荐算法 | 第92-96页 |
5.2.1 分布式个性化推荐算法框架 | 第93-94页 |
5.2.2 基于双神经网络的推荐算法基本架构 | 第94-95页 |
5.2.3 训练流程 | 第95-96页 |
5.3 实验与分析 | 第96-98页 |
5.3.1 实验设置 | 第96页 |
5.3.2 方法对比与分析 | 第96-98页 |
5.4 本章小结 | 第98-100页 |
第6章 基于海云协同的个性化媒体服务系统 | 第100-116页 |
6.1 问题描述 | 第100-103页 |
6.2 基于海云协同的个性化媒体服务系统架构 | 第103-105页 |
6.2.1 中央管理子系统 | 第103页 |
6.2.2 边缘服务器管理子系统 | 第103-104页 |
6.2.3 智能路由器集群及边缘设备 | 第104-105页 |
6.3 个性化媒体服务系统中的算法实现 | 第105-109页 |
6.3.1 节点管理算法 | 第105-106页 |
6.3.2 内容预部署算法 | 第106-108页 |
6.3.3 内容分发算法 | 第108-109页 |
6.3.4 视频服务 | 第109页 |
6.4 实验与分析 | 第109-113页 |
6.4.1 实验设置 | 第109-110页 |
6.4.2 实验性能评估 | 第110-113页 |
6.5 本章小结 | 第113-116页 |
第7章 总结与展望 | 第116-120页 |
7.1 本文主要研究工作及总结 | 第116-118页 |
7.2 研究工作展望 | 第118-120页 |
参考文献 | 第120-132页 |
致谢 | 第132-134页 |
在读期间发表的学术论文与取得的研究成果 | 第134-135页 |