基于标签、时序和用户历史点击的张量分解推荐算法
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-14页 |
| 1.1 研究背景 | 第11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文贡献 | 第12-13页 |
| 1.4 章节安排 | 第13-14页 |
| 第2章 相关求解方法 | 第14-29页 |
| 2.1 梯度下降 | 第14-18页 |
| 2.1.1 批量梯度下降 | 第14-15页 |
| 2.1.2 随机梯度下降 | 第15-16页 |
| 2.1.3 带动量的梯度下降 | 第16-18页 |
| 2.2 牛顿法 | 第18-26页 |
| 2.2.0 牛顿法 | 第18-19页 |
| 2.2.1 DFP | 第19-22页 |
| 2.2.2 BFGS | 第22-24页 |
| 2.2.3 L-BFGS | 第24-26页 |
| 2.3 正则项处理 | 第26-28页 |
| 2.3.1 L2 | 第26-27页 |
| 2.3.2 L1 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 张量分解 | 第29-39页 |
| 3.1 数学基础 | 第29-33页 |
| 3.1.1 Kronecker积 | 第29-30页 |
| 3.1.2 Khatri-Rao积 | 第30页 |
| 3.1.3 向量外积 | 第30-31页 |
| 3.1.4 向量內积 | 第31页 |
| 3.1.5 F-范数 | 第31-32页 |
| 3.1.6 张量展开 | 第32-33页 |
| 3.1.7 模态积 | 第33页 |
| 3.2 SVD | 第33-35页 |
| 3.3 LFM | 第35-36页 |
| 3.4 Tucker | 第36-37页 |
| 3.5 CP | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 模型求解 | 第39-52页 |
| 4.1 基线模型 | 第39-40页 |
| 4.2 模型改进 | 第40-48页 |
| 4.2.1 张量分解 | 第40-41页 |
| 4.2.2 时序模型 | 第41-42页 |
| 4.2.3 结合用户历史点击 | 第42-43页 |
| 4.2.4 矩阵化梯度下降 | 第43-45页 |
| 4.2.5 正则化 | 第45-48页 |
| 4.3 模型集成 | 第48-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 实验 | 第52-62页 |
| 5.1 数据集 | 第52-54页 |
| 5.2 特征选择 | 第54-55页 |
| 5.3 调参 | 第55-59页 |
| 5.4 交叉验证 | 第59页 |
| 5.5 模型对比 | 第59-60页 |
| 5.5.1 不同模型对比 | 第59页 |
| 5.5.2 不同正则项对比 | 第59-60页 |
| 5.5.3 不同求解方法对比 | 第60页 |
| 5.6 本章小结 | 第60-62页 |
| 第6章 总结 | 第62-63页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简介及学期间所取得的科研成果 | 第66-67页 |
| 致谢 | 第67页 |
