面向概念的描述词推荐算法研究及图书专题自动生成应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题意义 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 相关研究综述 | 第15-32页 |
| 2.1 在线百科概念目录的自动生成 | 第15-19页 |
| 2.1.1 基于模板学习的目录自动生成 | 第17页 |
| 2.1.2 基于摘要抽象重写的目录自动生成 | 第17-18页 |
| 2.1.3 概念目录生成与面向概念的描述词推荐 | 第18-19页 |
| 2.2 推荐系统 | 第19-31页 |
| 2.2.1 基于邻域的协同过滤算法 | 第19-20页 |
| 2.2.2 基于图模型的推荐算法 | 第20-21页 |
| 2.2.3 基于神经网络的推荐算法 | 第21-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于二部乘积图的描述词推荐算法 | 第32-54页 |
| 3.1 算法概述 | 第32页 |
| 3.2 问题定义与数据处理 | 第32-35页 |
| 3.2.1 问题定义 | 第32-33页 |
| 3.2.2 数据预处理 | 第33-35页 |
| 3.3 概念-描述词的图模型构建 | 第35-40页 |
| 3.3.1 概念-描述词的二部关系图构建 | 第35-37页 |
| 3.3.2 基于二部关系图的乘积图构建 | 第37-38页 |
| 3.3.3 基于乘积图的转导与优化 | 第38-40页 |
| 3.4 基于支持向量的描述词排序 | 第40-42页 |
| 3.5 描述词推荐实验 | 第42-50页 |
| 3.5.1 实验评测标准 | 第42-43页 |
| 3.5.2 实验数据集 | 第43页 |
| 3.5.3 实验分析 | 第43-50页 |
| 3.6 描述词排序实验 | 第50-53页 |
| 3.6.1 实验评测标准 | 第51页 |
| 3.6.2 实验过程及分析 | 第51-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第4章 引入标签信息的神经协同过滤推荐算法 | 第54-65页 |
| 4.1 算法概述 | 第54页 |
| 4.2 引入标签信息的神经协同过滤模型 | 第54-62页 |
| 4.2.1 概念标签信息的引入 | 第54页 |
| 4.2.2 引入标签信息的神经协同过滤推荐模型 | 第54-62页 |
| 4.3 实验及结果分析 | 第62-64页 |
| 4.3.1 实验数据集 | 第62页 |
| 4.3.2 实验评测标准 | 第62页 |
| 4.3.3 引入标签信息的神经协同过滤推荐实验 | 第62-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 图书专题自动生成系统 | 第65-72页 |
| 5.1 需求及功能分析 | 第65-66页 |
| 5.2 架构设计 | 第66-67页 |
| 5.3 系统展示 | 第67-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 攻读硕士学位期间主要的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
