活动型社会网络的多重推荐算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第11-12页 |
| 1 引言 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 EBSN相关推荐研究现状 | 第15-17页 |
| 1.2.2 冷启动问题研究现状 | 第17-18页 |
| 1.3 本论文的主要研究内容 | 第18-19页 |
| 1.4 本论文的组织结构 | 第19-21页 |
| 2 论文相关知识介绍 | 第21-40页 |
| 2.1 推荐系统及算法 | 第21-29页 |
| 2.1.1 因子分解算法 | 第21-23页 |
| 2.1.2 基于隐式反馈的BPR-MF算法 | 第23-25页 |
| 2.1.3 神经网络算法 | 第25-28页 |
| 2.1.4 CBF算法 | 第28-29页 |
| 2.2 人工神经网络模型 | 第29-32页 |
| 2.2.1 嵌入式(Embedding)思想 | 第29-30页 |
| 2.2.2 Triplet Loss Model | 第30-31页 |
| 2.2.3 Deep Match Model | 第31-32页 |
| 2.3 机器学习平台 | 第32-36页 |
| 2.3.1 Python简介 | 第32-33页 |
| 2.3.2 Tensorflow简介 | 第33-34页 |
| 2.3.3 Keras简介 | 第34-36页 |
| 2.4 推荐系统性能评估方法 | 第36-38页 |
| 2.4.1 可选度量 | 第36-37页 |
| 2.4.2 接受者操作特性曲线及AUC | 第37-38页 |
| 2.5 本章小结 | 第38-40页 |
| 3 EBSN的多重推荐及改进 | 第40-55页 |
| 3.1 多重推荐问题 | 第40-41页 |
| 3.2 直接属性改进法 | 第41页 |
| 3.3 属性结合改进法 | 第41-44页 |
| 3.4 实验研究 | 第44-48页 |
| 3.4.1 数据处理 | 第44页 |
| 3.4.2 设置模型参数 | 第44-47页 |
| 3.4.3 设计优化策略 | 第47-48页 |
| 3.5 实验结果分析 | 第48-54页 |
| 3.5.1 各实验策略结果对比分析 | 第48-52页 |
| 3.5.2 与领域内研究成果分析 | 第52-54页 |
| 3.6 本章小结 | 第54-55页 |
| 4 活动推荐的冷启动问题及改进 | 第55-65页 |
| 4.1 活动推荐的基本实现 | 第55-57页 |
| 4.1.1 基于内容的协同过滤法 | 第55-56页 |
| 4.1.2 属性映射法 | 第56-57页 |
| 4.2 活动推荐方法的改进 | 第57-59页 |
| 4.3 实验及结果分析 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 总结及展望 | 第65-68页 |
| 5.1 本文工作总结 | 第65-67页 |
| 5.1.1 活动型社会网络的多重推荐及改进 | 第65-66页 |
| 5.1.2 冷启动问题研究及活动推荐的改进 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |
