融合用户评分和评语的贝叶斯推荐算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-13页 |
| 1.3 论文主要工作 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 推荐系统相关技术 | 第16-30页 |
| 2.1 基于内容的推荐系统 | 第16-19页 |
| 2.2 基于协同过滤的推荐系统 | 第19-27页 |
| 2.2.1 基于近邻的推荐系统 | 第19-25页 |
| 2.2.2 基于隐语义模型的推荐系统 | 第25-27页 |
| 2.3 推荐系统常用的评估指标 | 第27-30页 |
| 3 引入用户偏好主题的评分预测模型 | 第30-47页 |
| 3.1 LDA主题模型 | 第30-33页 |
| 3.1.1 LDA生成过程 | 第30-33页 |
| 3.2 引入主题模型的协同过滤推荐算法 | 第33-40页 |
| 3.2.1 基于LDA的评分生成模型 | 第33-35页 |
| 3.2.2 模型学习 | 第35-40页 |
| 3.2.3 评分预测 | 第40页 |
| 3.3 模型评估 | 第40-46页 |
| 3.3.1 实验方案 | 第41-42页 |
| 3.3.2 主流推荐算法的实验与仿真 | 第42-45页 |
| 3.3.3 实验结论与分析 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 融合用户评分和评语的贝叶斯推荐模型 | 第47-67页 |
| 4.1 引入用户评语的主题生成模型 | 第47-49页 |
| 4.1.1 模型中的符号约定 | 第47-48页 |
| 4.1.2 用户评语的语义分析 | 第48-49页 |
| 4.2 融合用户评分与评语的推荐算法 | 第49-51页 |
| 4.3 基于LSTM的评语情感分析 | 第51-54页 |
| 4.4 模型学习 | 第54-56页 |
| 4.5 评分预测 | 第56-57页 |
| 4.6 实验与仿真 | 第57-65页 |
| 4.6.1 数据集的收集与处理 | 第58-60页 |
| 4.6.2 参数调优 | 第60-63页 |
| 4.6.3 实验结果与分析 | 第63-65页 |
| 4.7 本章小结 | 第65-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
