基于多模型的用户行为预测的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 研究目标及内容 | 第13页 |
| 1.3.1 研究目标 | 第13页 |
| 1.3.2 研究内容 | 第13页 |
| 1.4 本文结构 | 第13-16页 |
| 第二章 相关技术 | 第16-28页 |
| 2.1 神经网络 | 第16-20页 |
| 2.1.1 神经元简介 | 第16-17页 |
| 2.1.2 多层感知机 | 第17-19页 |
| 2.1.3 深度堆栈网络(DSN) | 第19-20页 |
| 2.2 受限玻尔兹曼机 | 第20-21页 |
| 2.3 逻辑回归 | 第21-22页 |
| 2.3.1 逻辑斯谛分布 | 第21页 |
| 2.3.2 二项逻辑斯谛回归模型 | 第21-22页 |
| 2.4 随机森林 | 第22-24页 |
| 2.4.1 决策树 | 第22页 |
| 2.4.2 划分属性选择 | 第22-23页 |
| 2.4.3 随机森林的构建过程 | 第23-24页 |
| 2.5 ROC曲线与AUC | 第24-26页 |
| 2.5.1 ROC曲线概述 | 第24-25页 |
| 2.5.2 AUC得分 | 第25-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 多视角特征扩展 | 第28-36页 |
| 3.1 特征工程的意义 | 第28-29页 |
| 3.2 特征扩展 | 第29-32页 |
| 3.2.1 概述 | 第29-30页 |
| 3.2.2 顾客特征集 | 第30页 |
| 3.2.3 商家特征集 | 第30-31页 |
| 3.2.4 顾客-商家特征集 | 第31-32页 |
| 3.3 特征选择与特征组合 | 第32-34页 |
| 3.3.1 特征选择 | 第32-33页 |
| 3.3.2 特征集组合 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 第四章 基于改进的DSN模型的推荐算法 | 第36-48页 |
| 4.1 DSN模型概述 | 第36-37页 |
| 4.2 DSN模型的改进 | 第37-39页 |
| 4.2.1 基于RBM生成特征的DSN模型 | 第37-38页 |
| 4.2.2 参数的继承 | 第38-39页 |
| 4.3 算法流程 | 第39-42页 |
| 4.4 实验及分析 | 第42-47页 |
| 4.4.1 实验环境及实验数据 | 第42页 |
| 4.4.2 实验目的 | 第42-43页 |
| 4.4.3 DSN模型参数的选择 | 第43-44页 |
| 4.4.4 改进的DSN模型 | 第44-46页 |
| 4.4.5 DSN模型与其它模型的对比 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第五章 多模型融合 | 第48-64页 |
| 5.1 多模型融合概述 | 第48-50页 |
| 5.1.1 多模型融合的意义 | 第48-49页 |
| 5.1.2 多模型融合的常见方法 | 第49-50页 |
| 5.2 多样性度量 | 第50-52页 |
| 5.2.1 常见的几种多样性度量 | 第50-51页 |
| 5.2.2 基于AUC得分的多样性评价 | 第51-52页 |
| 5.3 多模型融合过程 | 第52-55页 |
| 5.4 实验结果及分析 | 第55-62页 |
| 5.4.1 实验环境和实验数据 | 第55-56页 |
| 5.4.2 实验目的 | 第56页 |
| 5.4.3 多特征集在多模型下的实验结果及分析 | 第56-59页 |
| 5.4.4 基于AUC的多样性度量实验 | 第59-60页 |
| 5.4.5 多模型融合实验 | 第60-62页 |
| 5.5 本章小节 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 未来工作 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-70页 |
