物品搭配的个性化推荐
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究工作的背景介绍 | 第9-10页 |
| 1.2 研究现状及研究意义 | 第10-14页 |
| 1.2.1 时尚套装的推荐 | 第10-11页 |
| 1.2.2 二值表示以及最大值搜索 | 第11-13页 |
| 1.2.3 深度学习技术 | 第13-14页 |
| 1.2.3.1 多层感知器 | 第13页 |
| 1.2.3.2 自编码器 | 第13-14页 |
| 1.2.3.3 卷积神经网络 | 第14页 |
| 1.2.3.4 循环网络 | 第14页 |
| 1.2.3.5 深度生成模型 | 第14页 |
| 1.3 本文的主要贡献与创新 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-16页 |
| 第二章 分解模型的最大值搜索算法 | 第16-38页 |
| 2.1 研究背景介绍 | 第16-17页 |
| 2.2 采样算法 | 第17-24页 |
| 2.2.1 CP张量分解模型 | 第17-18页 |
| 2.2.2 张量分解的图表示 | 第18页 |
| 2.2.3 基本的采样算法 | 第18-21页 |
| 2.2.4 采样算法的扩展 | 第21-22页 |
| 2.2.5 基于复合星型结构的采样算法 | 第22-23页 |
| 2.2.6 最大值过滤 | 第23-24页 |
| 2.3 理论分析 | 第24-27页 |
| 2.4 采样算法在推荐中的应用 | 第27-28页 |
| 2.5 算法实现的细节 | 第28-29页 |
| 2.6 实验结果及分析 | 第29-36页 |
| 2.6.1 准确度和运行时间 | 第30-33页 |
| 2.6.2 利于估计值进行预先过滤 | 第33-34页 |
| 2.6.3 协同过滤中的采样算法 | 第34-35页 |
| 2.6.4 算法的性能比较 | 第35-36页 |
| 2.6.5 估计值的准确性 | 第36页 |
| 2.7 本章小结 | 第36-38页 |
| 第三章 服饰搭配的个性化推荐系统 | 第38-58页 |
| 3.1 研究背景介绍 | 第39-40页 |
| 3.2 问题描述 | 第40-47页 |
| 3.2.1 基于张量分解的模型 | 第42-45页 |
| 3.2.2 哈希变换 | 第45-47页 |
| 3.3 个性化套装推荐算法 | 第47-49页 |
| 3.3.1 系统框架 | 第47-48页 |
| 3.3.2 优化问题 | 第48-49页 |
| 3.4 实验结果及分析 | 第49-57页 |
| 3.4.1 Polyvore实验数据 | 第49-51页 |
| 3.4.2 基准算法 | 第51-53页 |
| 3.4.2.1 基于套装平均相似度的推荐 | 第51页 |
| 3.4.2.2 基于物品最近邻的推荐 | 第51页 |
| 3.4.2.3 基于FPITF的推荐系统 | 第51-52页 |
| 3.4.2.4 基于循环神经网络的推荐 | 第52页 |
| 3.4.2.5 评价标准 | 第52-53页 |
| 3.4.3 不同方法之间的比较 | 第53-54页 |
| 3.4.4 不同二值化方法之间的比较 | 第54-55页 |
| 3.4.4.1 困难负样本对性能的影响 | 第54-55页 |
| 3.4.5 不定长套装的搭配问题 | 第55-56页 |
| 3.4.6 新用户问题 | 第56-57页 |
| 3.5 本章总结 | 第57-58页 |
| 第四章 全文总结与展望 | 第58-59页 |
| 4.1 全文总结 | 第58页 |
| 4.2 后续工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录A 约束的CP分解形式 | 第63-64页 |
| A.1约束的CP分解形式 | 第63-64页 |
| 攻硕期间取得的研究成果 | 第64页 |
