基于深度用户兴趣建模的社交推荐问题研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第15-19页 |
| 第二章 静态社交推荐问题 | 第19-36页 |
| 2.1 相关工作 | 第19-21页 |
| 2.1.1 协同过滤推荐模型 | 第20页 |
| 2.1.2 深度学习推荐模型 | 第20-21页 |
| 2.1.3 社交推荐 | 第21页 |
| 2.2 模型 | 第21-27页 |
| 2.2.1 CNSR网络结构介绍 | 第21-22页 |
| 2.2.2 社交信息学习 | 第22-24页 |
| 2.2.3 协同神经网络推荐 | 第24-26页 |
| 2.2.4 联合模型学习框架 | 第26-27页 |
| 2.2.5 Dropout训练 | 第27页 |
| 2.3 讨论 | 第27-29页 |
| 2.3.1 泛化隐向量模型 | 第28页 |
| 2.3.2 与深度神经网络模型的关系 | 第28-29页 |
| 2.4 实验 | 第29-36页 |
| 2.4.1 对比方法 | 第29-30页 |
| 2.4.2 参数设置 | 第30页 |
| 2.4.3 模型表现分析 | 第30-32页 |
| 2.4.4 参数分析 | 第32-36页 |
| 第三章 动态社交推荐问题 | 第36-53页 |
| 3.1 相关工作 | 第37-39页 |
| 3.1.1 动态推荐 | 第37-38页 |
| 3.1.2 社交影响力和社交推荐 | 第38页 |
| 3.1.3 注意力机制 | 第38-39页 |
| 3.2 问题定义和先验知识 | 第39-40页 |
| 3.2.1 问题定义 | 第39页 |
| 3.2.2 LSTM模型介绍 | 第39-40页 |
| 3.3 模型 | 第40-46页 |
| 3.3.1 基础框架部分 | 第40-42页 |
| 3.3.2 动态基于注意力机制的循环网络 | 第42-44页 |
| 3.3.3 静态基于注意力机制的循环网络 | 第44-45页 |
| 3.3.4 预测与模型参数学习 | 第45-46页 |
| 3.4 实验 | 第46-49页 |
| 3.4.1 实验设置 | 第46-47页 |
| 3.4.2 评价指标 | 第47页 |
| 3.4.3 对比方法 | 第47-48页 |
| 3.4.4 参数设置 | 第48-49页 |
| 3.5 模型表现分析 | 第49-53页 |
| 3.5.1 注意力分析 | 第51-52页 |
| 3.5.2 贡献分析 | 第52-53页 |
| 第四章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第61-62页 |
