基于深度学习的电影推荐系统研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.1.1 电影推荐系统 | 第11-12页 |
| 1.1.2 深度学习 | 第12页 |
| 1.2 国内外现状分析 | 第12-14页 |
| 1.3 论文研究主要内容和章节安排 | 第14-16页 |
| 第2章 推荐系统与推荐算法简介 | 第16-29页 |
| 2.1 推荐系统简介 | 第16页 |
| 2.2 推荐系统模型简介 | 第16-18页 |
| 2.3 推荐算法简介 | 第18-26页 |
| 2.3.1 基于内容的推荐算法 | 第19-20页 |
| 2.3.2 基于邻域的协同过滤的推荐算法 | 第20-23页 |
| 2.3.3 基于矩阵分解的推荐算法 | 第23-25页 |
| 2.3.4 混合推荐算法 | 第25-26页 |
| 2.4 推荐系统性能度量指标 | 第26-28页 |
| 2.4.1 预测准确率 | 第27页 |
| 2.4.2 分类准确率 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于深度学习的ConvMF模型的改进 | 第29-37页 |
| 3.1 基于深度学习的推荐算法ConvMF | 第29-32页 |
| 3.1.1 ConvMF中的概率模型 | 第29-30页 |
| 3.1.2 ConvMF中CNN结构 | 第30-32页 |
| 3.2 PMF矩阵初始化改进 | 第32-33页 |
| 3.3 嵌入层改进 | 第33-34页 |
| 3.3.1 词向量 | 第33页 |
| 3.3.2 word2vec简介 | 第33-34页 |
| 3.3.3 嵌入层改进 | 第34页 |
| 3.4 融合KNN与ConvMF的推荐算法 | 第34-36页 |
| 3.4.1 模型融合简介 | 第34-35页 |
| 3.4.2 KNN简介 | 第35-36页 |
| 3.4.3 融合KNN与ConvMF的推荐算法 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 实验结果验证及分析 | 第37-44页 |
| 4.1 实验数据集 | 第37页 |
| 4.2 实验设计 | 第37-41页 |
| 4.2.1 数据预处理 | 第37-38页 |
| 4.2.2 CNN模型及超参数 | 第38-39页 |
| 4.2.3 ConvMF-word2vec | 第39-40页 |
| 4.2.4 ConvMF-knn | 第40-41页 |
| 4.3 实验结果及分析 | 第41-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 电影推荐子系统设计与实现 | 第44-59页 |
| 5.1 系统功能需求分析 | 第44-46页 |
| 5.1.1 主要用例说明 | 第45-46页 |
| 5.2 系统总体结构设计 | 第46-47页 |
| 5.3 系统主要功能设计 | 第47-49页 |
| 5.4 系统数据库设计 | 第49-51页 |
| 5.4.1 数据库主要E-R图 | 第49页 |
| 5.4.2 详细表设计 | 第49-51页 |
| 5.5 系统主要技术及工具介绍 | 第51-52页 |
| 5.6 系统开发环境 | 第52-53页 |
| 5.7 系统主要功能模块设计与实现 | 第53-56页 |
| 5.7.1 爬虫模块 | 第53-54页 |
| 5.7.2 推荐模块 | 第54页 |
| 5.7.3 电影管理模块 | 第54-55页 |
| 5.7.4 用户管理模块 | 第55页 |
| 5.7.5 评论管理模块 | 第55-56页 |
| 5.8 系统测试 | 第56-58页 |
| 5.8.1 测试目的 | 第56页 |
| 5.8.2 测试环境 | 第56-57页 |
| 5.8.3 测试过程 | 第57-58页 |
| 5.8.4 测试结论 | 第58页 |
| 5.9 本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第66页 |
