基于图卷积与神经协同过滤的融合信息推荐模型
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 文章结构 | 第13-14页 |
| 第2章 相关知识背景 | 第14-22页 |
| 2.1 问题描述 | 第14-15页 |
| 2.1.1 推荐系统研究内容与基本原理 | 第14-15页 |
| 2.2 基于矩阵分解的协同过滤方法 | 第15-18页 |
| 2.2.1 传统矩阵分解方法 | 第15-17页 |
| 2.2.2 神经网络协同过滤 | 第17-18页 |
| 2.3 图卷积神经网络 | 第18-22页 |
| 2.3.1 图结构与神经网络 | 第18-19页 |
| 2.3.2 图卷积神经网络定义 | 第19-22页 |
| 第3章 基于融合信息的神经网络推荐模型 | 第22-34页 |
| 3.1 图卷积自动编码模型 | 第22-28页 |
| 3.1.1 图卷积神经网络输入数据描述与处理方法 | 第22-24页 |
| 3.1.2 图自动编码器 | 第24-25页 |
| 3.1.3 基于同质网络的图卷积编码器模型 | 第25-27页 |
| 3.1.4 图卷积编码器模型相关讨论 | 第27-28页 |
| 3.2 基于神经网络矩阵分解的解码模型 | 第28-30页 |
| 3.3 基于图卷积与神经协同过滤的推荐模型 | 第30-31页 |
| 3.4 其他实现细节 | 第31-32页 |
| 3.4.1 减少数据传输开销方面 | 第31页 |
| 3.4.2 优化模型泛化能力方面 | 第31-32页 |
| 3.4.3 批量梯度下降方面 | 第32页 |
| 3.4.4 权值共享方面 | 第32页 |
| 3.5 模型复杂度分析 | 第32-34页 |
| 3.5.1 时间复杂度 | 第32-33页 |
| 3.5.2 通讯开销 | 第33-34页 |
| 第4章 实验与验证分析 | 第34-44页 |
| 4.1 数据集描述 | 第34-35页 |
| 4.2 模型对比算法 | 第35页 |
| 4.3 模型参数选择与设置 | 第35-36页 |
| 4.4 模型准确率对比试验 | 第36-38页 |
| 4.5 Dropout效果验证 | 第38-40页 |
| 4.6 模型结构验证 | 第40-44页 |
| 第5章 结论 | 第44-45页 |
| 参考文献 | 第45-49页 |
| 作者简介及科研成果 | 第49-50页 |
| 致谢 | 第50页 |
