| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.2 个性化推荐概述 | 第13-16页 |
| 1.2.1 个性化推荐常用算法 | 第13-15页 |
| 1.2.2 个性化推荐系统的特点和难点 | 第15-16页 |
| 1.3 国内外研究与应用现状 | 第16-17页 |
| 1.4 论文主要研究内容 | 第17-18页 |
| 1.5 论文章节安排 | 第18-20页 |
| 第二章 相关理论研究 | 第20-30页 |
| 2.1 协同过滤推荐算法 | 第20-22页 |
| 2.1.1 基于用户的协同过滤算法 | 第20-21页 |
| 2.1.2 基于物品的协同过滤算法 | 第21-22页 |
| 2.2 基于递归神经网络的推荐算法 | 第22-26页 |
| 2.2.1 递归神经网络结构 | 第22-23页 |
| 2.2.2 梯度消失问题 | 第23-24页 |
| 2.2.3 LSTM网络 | 第24-26页 |
| 2.3 冷启动问题 | 第26-28页 |
| 2.3.1 冷启动问题概述 | 第26页 |
| 2.3.2 冷启动问题常用解决方法 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 时长注意力 | 第30-40页 |
| 3.1 个性化推荐系统中的时间信息 | 第30-31页 |
| 3.1.1 时间序列信息 | 第30页 |
| 3.1.2 时间衰减信息 | 第30-31页 |
| 3.1.3 浏览时长信息 | 第31页 |
| 3.2 时长信息分析及预处理 | 第31-33页 |
| 3.3 时长信息变换 | 第33-37页 |
| 3.3.1 时长信息变换方法的选取 | 第34-36页 |
| 3.3.2 时长信息变换效果 | 第36-37页 |
| 3.4 时长注意力因子 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第四章 基于TA-GRU模型的个性化推荐系统实现 | 第40-54页 |
| 4.1 GRU网络 | 第40-41页 |
| 4.2 添加时长信息的TA-GRU网络 | 第41-44页 |
| 4.3 不定长序列mini-batch分配 | 第44-47页 |
| 4.3.1 不定长序列mini-batch常用分配方法 | 第44-46页 |
| 4.3.2 含时长信息的不定长序列mini-batch分配 | 第46-47页 |
| 4.4 TA-GRU模型训练及优化 | 第47-49页 |
| 4.4.1 负样本采样 | 第47-48页 |
| 4.4.2 目标函数与优化 | 第48页 |
| 4.4.3 时间性能优化 | 第48-49页 |
| 4.5 系统整体框架 | 第49-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 实验结果及分析 | 第54-67页 |
| 5.1 数据集 | 第54-57页 |
| 5.1.1 RSC15数据集 | 第54-55页 |
| 5.1.2 自建数据集 | 第55-57页 |
| 5.2 评价指标与基准方法选取 | 第57-58页 |
| 5.2.1 评价指标 | 第57-58页 |
| 5.2.2 基准方法 | 第58页 |
| 5.3 Dropout效果分析 | 第58-61页 |
| 5.4 实验结果对比 | 第61-63页 |
| 5.5 冷启动问题解决方案及效果 | 第63-65页 |
| 5.6 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 研究展望 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间取得的研究成果 | 第77页 |