基于矩阵分解的社会化推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究方法及内容 | 第11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 基本概念及相关算法 | 第12-21页 |
| 2.1 推荐系统的定义 | 第12页 |
| 2.2 推荐算法分类 | 第12-16页 |
| 2.2.1 基于内容的推荐算法 | 第13-15页 |
| 2.2.2 基于协同过滤的推荐算法 | 第15-16页 |
| 2.2.3 基于混合推荐算法 | 第16页 |
| 2.3 社会化推荐算法 | 第16-19页 |
| 2.3.1 PMF模型 | 第16-18页 |
| 2.3.2 SocialMF模型 | 第18-19页 |
| 2.4 推荐系统的评价指标 | 第19-21页 |
| 第三章 基于标签权重近邻的卷积深度学习模型 | 第21-30页 |
| 3.1 引言 | 第21页 |
| 3.2 基于标签权重近邻选择 | 第21-22页 |
| 3.3 概率卷积神经网络 | 第22-23页 |
| 3.4 优化方法 | 第23-25页 |
| 3.5 推荐过程 | 第25-26页 |
| 3.6 实验和结果 | 第26-29页 |
| 3.6.1 数据集和评价标准 | 第26-27页 |
| 3.6.2 实验结果与分析 | 第27-29页 |
| 3.7 本章小结 | 第29-30页 |
| 第四章 基于主题注意力和矩阵分解的社交网络推荐 | 第30-41页 |
| 4.1 引言 | 第30页 |
| 4.2 基于注意力神经网络的文本建模 | 第30-32页 |
| 4.3 提取文本特征 | 第32-33页 |
| 4.4 用户社交潜在特征 | 第33-34页 |
| 4.5 优化方法 | 第34-36页 |
| 4.6 实验分析 | 第36-40页 |
| 4.6.1 数据集和评价标准 | 第36-37页 |
| 4.6.2 实验结果和分析 | 第37-40页 |
| 4.7 结论 | 第40-41页 |
| 第五章 总结与展望 | 第41-43页 |
| 5.1 总结 | 第41页 |
| 5.2 展望 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 攻读硕士学位期间的主要成果 | 第47-48页 |
| 致谢 | 第48页 |
