社交网络中融合社交关系和语义信息的推荐算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-16页 |
| 1.2.1 传统的推荐模型 | 第9-12页 |
| 1.2.2 基于社交关系的推荐模型 | 第12-14页 |
| 1.2.3 基于深度学习的推荐模型 | 第14-16页 |
| 1.3 论文研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术介绍 | 第18-24页 |
| 2.1 矩阵分解 | 第18-19页 |
| 2.2 级联去噪自编码器 | 第19-20页 |
| 2.3 概率级联去噪自编码器 | 第20-21页 |
| 2.4 协同深度学习模型 | 第21-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 基于协同关系深度学习模型的推荐算法 | 第24-43页 |
| 3.1 问题描述与相关符号说明 | 第25-26页 |
| 3.1.1 问题描述 | 第25页 |
| 3.1.2 相关符号说明 | 第25-26页 |
| 3.2 关系概率矩阵分解 | 第26-28页 |
| 3.3 模型生成过程 | 第28-30页 |
| 3.4 参数学习和优化 | 第30-32页 |
| 3.5 实验结果及分析 | 第32-42页 |
| 3.5.1 数据集分析 | 第32-34页 |
| 3.5.2 性能评价标准 | 第34-35页 |
| 3.5.3 对比算法和实验设置 | 第35-37页 |
| 3.5.4 与其它算法的性能对比 | 第37页 |
| 3.5.5 名人社交关系稀疏度影响 | 第37-39页 |
| 3.5.6 参数影响分析 | 第39-41页 |
| 3.5.7 复杂度分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于社会化协同深度学习模型的推荐算法 | 第43-61页 |
| 4.1 项目社交关系分析 | 第44-45页 |
| 4.2 矩阵分解用户历史行为与项目社交关系 | 第45-46页 |
| 4.3 关注者模型 | 第46-47页 |
| 4.4 被关注者模型 | 第47页 |
| 4.5 社会化协同深度学习模型 | 第47-50页 |
| 4.5.1 sfSDAE模型 | 第48-49页 |
| 4.5.2 socialCDL模型 | 第49-50页 |
| 4.6 参数学习 | 第50-51页 |
| 4.7 实验结果 | 第51-59页 |
| 4.7.1 数据集描述与评价标准 | 第51-52页 |
| 4.7.2 现有算法对比实验 | 第52-57页 |
| 4.7.3 模型信息选择分析 | 第57-59页 |
| 4.7.4 参数分析 | 第59页 |
| 4.8 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61-62页 |
| 5.2 展望 | 第62-63页 |
| 参考文献 | 第63-70页 |
| 附录 | 第70-74页 |
| 附录A 图索引 | 第70-73页 |
| 附录B 表索引 | 第73-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间发表的论文 | 第75页 |
