| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 本文的研究成果与创新点 | 第15-16页 |
| 1.4 本文结构 | 第16-18页 |
| 第二章 “人脸画像”概念与推荐算法研究相关概述 | 第18-28页 |
| 2.1 “人脸画像”概念 | 第18-22页 |
| 2.1.1 人脸识别技术相关概述 | 第18-20页 |
| 2.1.2 “人脸画像”概念 | 第20-22页 |
| 2.2 传统推荐算法概述 | 第22-27页 |
| 2.2.1 基于内容的推荐算法研究 | 第22-23页 |
| 2.2.2 基于协同过滤的推荐算法研究 | 第23-25页 |
| 2.2.3 其它推荐算法研究 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于“人脸画像”的广告推荐算法与模型设计 | 第28-56页 |
| 3.1 基于“人脸画像”的广告推荐系统架构 | 第28-29页 |
| 3.2 基于“人脸画像”与广告特征的语义相似度推荐模型 | 第29-42页 |
| 3.2.1 广告特征提取 | 第31-35页 |
| 3.2.2 基于Word2vec算法的相似度模型 | 第35-39页 |
| 3.2.3 用户与广告的相似度计算方法 | 第39-40页 |
| 3.2.4 基于内容的广告偏好学习 | 第40-41页 |
| 3.2.5 基于概率的广告推荐策略 | 第41-42页 |
| 3.3 基于用户观看时长的用户反馈推荐模型 | 第42-46页 |
| 3.3.1 基于ALS算法的用户观看时长协同过滤分析 | 第42-45页 |
| 3.3.2 用户反馈模型中观看时长的处理 | 第45-46页 |
| 3.4 基于广告观看时间的时间密度推荐模型 | 第46-52页 |
| 3.4.1 基于DBSCAN算法的核心时间点聚类 | 第47-51页 |
| 3.4.2 牛顿冷却法在“霸榜”问题上的应用 | 第51-52页 |
| 3.5 基于概率的广告推荐模型融合 | 第52-54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 推荐系统开发与模型评估 | 第56-70页 |
| 4.1 开发背景与数据采集 | 第56-59页 |
| 4.1.1 实验环境 | 第56-57页 |
| 4.1.2 环境搭建与数据采集 | 第57-59页 |
| 4.2 模型训练与评估 | 第59-69页 |
| 4.2.1 推荐系统评估指标 | 第59-60页 |
| 4.2.2 语义相似度模型训练与评估 | 第60-65页 |
| 4.2.3 用户反馈模型训练与评估 | 第65-66页 |
| 4.2.4 时间密度模型训练与评估 | 第66-67页 |
| 4.2.5 融合模型训练与评估 | 第67-69页 |
| 4.3 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文 | 第76-78页 |
| 致谢 | 第78页 |