| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究工作的背景与意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-13页 |
| 1.2 基于深度学习的推荐技术国内外研究现状 | 第13-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 本论文的结构安排 | 第18-19页 |
| 第二章 深度学习与推荐技术 | 第19-33页 |
| 2.1 核心推荐算法 | 第19-28页 |
| 2.1.1 基于内容的推荐 | 第19-23页 |
| 2.1.2 基于协同过滤的推荐 | 第23-28页 |
| 2.2 基于深度学习的推荐技术 | 第28-32页 |
| 2.2.1 深度学习 | 第28-30页 |
| 2.2.2 深度学习解决推荐技术问题及其难点 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第三章 基于加权隐因子模型的行为信息建模 | 第33-41页 |
| 3.1 推荐模型 | 第33-34页 |
| 3.2 基于隐式用户反馈的协同过滤 | 第34-36页 |
| 3.2.1 用户反馈及其特点 | 第34页 |
| 3.2.2 基于隐式反馈的协同过滤推荐 | 第34-36页 |
| 3.3 基于隐式反馈的隐因子模型 | 第36-40页 |
| 3.3.1 加权隐因子模型 | 第36-38页 |
| 3.3.2 模型的训练算法 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于注意力机制的门控循环神经网络的文本信息挖掘 | 第41-56页 |
| 4.1 基于门控循环神经网络的序列编码 | 第41-43页 |
| 4.2 基于注意力机制的池化技术 | 第43-46页 |
| 4.2.1 平均池化 | 第44页 |
| 4.2.2 最大池化 | 第44-45页 |
| 4.2.3 基于注意力机制的池化 | 第45-46页 |
| 4.3 基于Attention机制的GRU网络 | 第46-51页 |
| 4.3.1 基于GRU网络的单词编码 | 第47-49页 |
| 4.3.2 基于Attention的单词池化 | 第49-50页 |
| 4.3.3 目标函数 | 第50-51页 |
| 4.4 基于用户Attention机制的GRU网络 | 第51-54页 |
| 4.4.1 基于GRU网络的单词编码 | 第52页 |
| 4.4.2 基于用户Attention的单词池化 | 第52-54页 |
| 4.4.3 目标函数 | 第54页 |
| 4.5 本章小节 | 第54-56页 |
| 第五章 推荐系统框架及实验 | 第56-70页 |
| 5.1 推荐系统框架 | 第56-58页 |
| 5.1.1 推荐任务 | 第56-57页 |
| 5.1.2 推荐框架 | 第57-58页 |
| 5.2 数据集 | 第58-59页 |
| 5.3 实验评判标准 | 第59-60页 |
| 5.4 实验配置 | 第60-62页 |
| 5.5 实验结果及分析 | 第62-69页 |
| 5.5.1 隐因子向量学习 | 第62-63页 |
| 5.5.2 模型评估 | 第63-66页 |
| 5.5.3 模型优化评估 | 第66-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 全文总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70页 |
| 6.2 后续工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |