| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景 | 第11-13页 |
| 1.2 本文工作及贡献 | 第13-15页 |
| 1.3 本文组织 | 第15-17页 |
| 第2章 相关工作 | 第17-31页 |
| 2.1 协同过滤推荐算法 | 第17-27页 |
| 2.1.1 基于内存的协同过滤算法 | 第18-21页 |
| 2.1.2 基于建模的协同过滤算法 | 第21-24页 |
| 2.1.3 混合协同过滤算法 | 第24-27页 |
| 2.2 深度神经网络 | 第27-30页 |
| 2.2.1 前馈神经网络 | 第28-29页 |
| 2.2.2 循环神经网络 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 DeepSession推荐算法 | 第31-43页 |
| 3.1 问题描述 | 第31-33页 |
| 3.2 循环神经网络模型 | 第33-37页 |
| 3.2.1 基本的RNN网络模型 | 第33-35页 |
| 3.2.2 深度RNN网络模型 | 第35-36页 |
| 3.2.3 带有历史状态的DRNN模型 | 第36-37页 |
| 3.3 前馈神经网络模型 | 第37-39页 |
| 3.4 实现细节 | 第39-42页 |
| 3.4.1 训练数据的生成 | 第39-41页 |
| 3.4.2 DeepSession模型在Caffe上的实现 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 模型优化框架 | 第43-49页 |
| 4.1 自动生成模型代码 | 第43-45页 |
| 4.2 自动调整模型参数 | 第45-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 DeepSession推荐系统 | 第49-53页 |
| 5.1 系统架构 | 第49-50页 |
| 5.2 推荐模块 | 第50-51页 |
| 5.2.1 Web服务接口子模块 | 第50页 |
| 5.2.2 日志存储子模块 | 第50-51页 |
| 5.2.3 数据管理子模块 | 第51页 |
| 5.2.4 DeepSession推荐算法子模块 | 第51页 |
| 5.3 训练模块 | 第51-52页 |
| 5.3.1 增量训练模式 | 第51页 |
| 5.3.2 全量训练模式 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第6章 实验结果 | 第53-64页 |
| 6.1 实验配置 | 第53-54页 |
| 6.2 实验评判标准 | 第54-55页 |
| 6.3 实验结果及分析 | 第55-63页 |
| 6.3.1 对照实验及结果 | 第55-56页 |
| 6.3.2 样本批量大小的影响 | 第56-58页 |
| 6.3.3 FNN对结果的影响 | 第58-61页 |
| 6.3.4 RNN历史状态对结果的影响 | 第61-62页 |
| 6.3.5 模型收敛速率 | 第62-63页 |
| 6.4 本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 7.1 工作总结 | 第64页 |
| 7.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-73页 |
| 攻读硕士学位期间主要的研究成果 | 第73-74页 |
| 致谢 | 第74页 |