基于用户行为的个性化推荐系统的研究与实现
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.3.1 基于词嵌入的用户评论模型构建及推荐 | 第12页 |
| 1.3.2 基于用户行为的用户意向商品推荐 | 第12-13页 |
| 1.3.3 基于用户行为的评分矩阵构建及商品推荐 | 第13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 相关工作综述 | 第14-20页 |
| 2.1 文本分布式表征 | 第14-15页 |
| 2.2 推荐技术 | 第15-16页 |
| 2.2.1 基于协同过滤的推荐算法 | 第15-16页 |
| 2.2.2 基于深度学习的推荐算法 | 第16页 |
| 2.2.3 混合推荐算法 | 第16页 |
| 2.3 特征选择 | 第16-17页 |
| 2.4 Spark分布式平台 | 第17-18页 |
| 2.5 整体方法与对比总结 | 第18-19页 |
| 2.6 本章小结 | 第19-20页 |
| 第3章 基于词嵌入构建用户评论的分布式表征 | 第20-30页 |
| 3.1 基于词嵌入的实体相似关系 | 第20页 |
| 3.2 分布式表征 | 第20-23页 |
| 3.2.1 实体关系模型设计 | 第21页 |
| 3.2.2 Skip-gram算法的改进 | 第21-23页 |
| 3.3 基于矢量偏移的语言相似规律发现 | 第23-25页 |
| 3.3.1 隐含语义相似关系 | 第23页 |
| 3.3.2 语义依存特征关系 | 第23-25页 |
| 3.4 实验与分析 | 第25-28页 |
| 3.4.1 数据集 | 第25页 |
| 3.4.2 评估指标 | 第25-26页 |
| 3.4.3 实验分析 | 第26-28页 |
| 3.5 本章小结 | 第28-30页 |
| 第4章 基于用户行为的用户意向商品推荐 | 第30-42页 |
| 4.1 概述 | 第30-31页 |
| 4.2 数据预处理 | 第31页 |
| 4.2.1 数据样本选择 | 第31页 |
| 4.2.2 数据清洗 | 第31页 |
| 4.2.3 编码分类特征 | 第31页 |
| 4.3 用户行为分析 | 第31-34页 |
| 4.4 特征工程方案处理 | 第34-37页 |
| 4.4.1 特征分析 | 第34-35页 |
| 4.4.2 特征提取 | 第35-36页 |
| 4.4.3 特征选择 | 第36-37页 |
| 4.5 基于融合模型的商品推荐 | 第37-41页 |
| 4.5.1 基于XGBoost算法的结果预测 | 第37-38页 |
| 4.5.2 模型融合 | 第38-39页 |
| 4.5.3 评价标准 | 第39页 |
| 4.5.4 实验与分析 | 第39-41页 |
| 4.6 本章小结 | 第41-42页 |
| 第5章 基于用户行为的评分矩阵构建及商品推荐 | 第42-50页 |
| 5.1 概述 | 第42-43页 |
| 5.2 用户偏好程度模型构建 | 第43-44页 |
| 5.3 基于ALS的协同过滤算法 | 第44-45页 |
| 5.4 基于ALS的协同过滤算法实验分析 | 第45-47页 |
| 5.4.1 数据集 | 第45页 |
| 5.4.2 基于Spark的分布式运行环境 | 第45-46页 |
| 5.4.3 评价指标 | 第46页 |
| 5.4.4 实验与分析 | 第46-47页 |
| 5.5 基于神经网络的推荐算法 | 第47页 |
| 5.6 基于神经网络的推荐算法实验与分析 | 第47-49页 |
| 5.7 本章小结 | 第49-50页 |
| 第6章 应用系统实例 | 第50-56页 |
| 6.1 概述 | 第50页 |
| 6.2 系统总体设计 | 第50-51页 |
| 6.3 系统功能模块 | 第51页 |
| 6.4 个性化推荐系统 | 第51-54页 |
| 6.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表论文 | 第62-64页 |
| 致谢 | 第64页 |
