| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 用户动态行为建模 | 第10页 |
| 1.2.2 基于隐变量的用户行为模型建模 | 第10-11页 |
| 1.2.3 基于隐变量模型的时序行为建模 | 第11页 |
| 1.2.4 贝叶斯网的增量学习 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 基础知识 | 第14-18页 |
| 2.1 贝叶斯网的基本概念 | 第14页 |
| 2.2 贝叶斯网参数学习 | 第14-16页 |
| 2.2.1 完整数据集条件下的最大似然估计 | 第15页 |
| 2.2.2 数据缺失情况下的最大似然估计 | 第15-16页 |
| 2.3 贝叶斯网结构学习 | 第16-18页 |
| 2.3.1 贝叶斯信息准则 | 第16-17页 |
| 2.3.2 爬山算法 | 第17-18页 |
| 第三章 动态评价行为模型构建 | 第18-34页 |
| 3.1 问题描述及模型定义 | 第18-20页 |
| 3.1.1 用户偏好及其测试标准定义 | 第18-19页 |
| 3.1.2 动态评价行为模型形式化描述及其定义 | 第19-20页 |
| 3.2 各时间片中的RBM构建 | 第20-25页 |
| 3.2.1 基于EM算法的隐变量取值填充 | 第20-23页 |
| 3.2.2 基于BIC评分标准的RBM构建 | 第23-25页 |
| 3.3 基于条件互信息的相邻时间片间DAG结构构建 | 第25-28页 |
| 3.4 动态评价行为模型的参数计算 | 第28页 |
| 3.5 实验结果及分析 | 第28-33页 |
| 3.5.1 基准描述 | 第29-30页 |
| 3.5.2 TRBM构建效率 | 第30-31页 |
| 3.5.3 填充数据准确性 | 第31-32页 |
| 3.5.4 TRBM有效性 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 动态评价行为模型增量修改 | 第34-52页 |
| 4.1 问题描述及节点影响度的定义 | 第34-37页 |
| 4.2 基于BIC评分标准的TRBM增量修改方法 | 第37-47页 |
| 4.2.1 TRBM中各节点影响度的计算 | 第37-39页 |
| 4.2.2 基于马尔可夫覆盖的修改子结构范围求解 | 第39-42页 |
| 4.2.3 基于BIC评分标准的TRBM增量修改 | 第42-47页 |
| 4.3 实验结果及分析 | 第47-50页 |
| 4.3.1 求解修改子结构算法效率 | 第47-48页 |
| 4.3.2 增量修改TRBM构建效率 | 第48-49页 |
| 4.3.3 TRBM增量修改有效性 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 附录 | 第54-56页 |
| 附录1. 攻读硕士学位期间参与科研项目 | 第54页 |
| 附录2. 攻读硕士学位期间发表的学术论文 | 第54页 |
| 附录3. 攻读硕士学位期间获得的奖励 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |