推荐系统模型与学习算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 引言 | 第10-21页 |
| ·研究背景 | 第10-16页 |
| ·推荐算法面临的新挑战 | 第16-19页 |
| ·推荐结果的多样化问题 | 第16-17页 |
| ·推荐系统的冷启动问题 | 第17-18页 |
| ·动态数据建模 | 第18-19页 |
| ·快速推荐算法 | 第19页 |
| ·本文研究内容与章节安排 | 第19-21页 |
| 第2章 基于熵正则化因子提高推荐结果的多样性 | 第21-37页 |
| ·引言 | 第21-23页 |
| ·目标函数 | 第23-24页 |
| ·目标函数的定义 | 第23页 |
| ·子模性和单调性 | 第23-24页 |
| ·评分函数 | 第24-27页 |
| ·概率性矩阵分解 | 第24-26页 |
| ·评分函数的定义及性质 | 第26-27页 |
| ·熵正则化因子 | 第27-30页 |
| ·熵正则化因子的定义 | 第27-29页 |
| ·熵正则化因子的子模性 | 第29页 |
| ·熵正则化因子的单调性 | 第29-30页 |
| ·目标函数的求解 | 第30-32页 |
| ·贪心近似算法 | 第30页 |
| ·算法分析 | 第30-32页 |
| ·实验设置与结果 | 第32-36页 |
| ·数据准备 | 第32页 |
| ·评价方法 | 第32页 |
| ·比较方法介绍 | 第32-33页 |
| ·实验结果分析 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第3章 基于老虎机模型的冷启动推荐算法 | 第37-58页 |
| ·研究背景 | 第37-38页 |
| ·多臂老虎机模型 | 第38-40页 |
| ·基于内容的多臂老虎机模型 | 第39页 |
| ·已有的老虎机算法 | 第39-40页 |
| ·基于内容的组合式老虎机模型 | 第40-50页 |
| ·CCUCB算法 | 第42页 |
| ·误差界分析 | 第42-50页 |
| ·在冷启动、多样化推荐中的应用 | 第50-52页 |
| ·实验设置与结果 | 第52-57页 |
| ·实验设置 | 第52-55页 |
| ·比较方法介绍 | 第55页 |
| ·评测方法 | 第55-56页 |
| ·实验结果分析 | 第56-57页 |
| ·本章小结 | 第57-58页 |
| 第4章 基于函数式狄利克雷过程的动态推荐模型 | 第58-75页 |
| ·研究背景 | 第58-59页 |
| ·狄利克雷过程混合模型 | 第59-60页 |
| ·函数式狄利克雷过程 | 第60-62页 |
| ·函数的基分布 | 第62-65页 |
| ·函数取定义域的先验分布 | 第62-63页 |
| ·函数组件的基过程 | 第63-64页 |
| ·与其它动态非参数贝叶斯模型的关系 | 第64-65页 |
| ·基于吉布斯采样的推理算法 | 第65-68页 |
| ·预测分布 | 第65-67页 |
| ·吉布斯采样 | 第67-68页 |
| ·实验设置与结果 | 第68-74页 |
| ·在模拟数据上的实验 | 第68-72页 |
| ·在真实数据上的实验 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 第5章 基于稀疏嵌入的k均值近似算法 | 第75-100页 |
| ·研究背景 | 第75-78页 |
| ·算法以及主要理论结果 | 第78-81页 |
| ·实验设置及结果 | 第81-84页 |
| ·实验数据 | 第81-82页 |
| ·k均值近似算法 | 第82页 |
| ·比较方法 | 第82-83页 |
| ·评测方法 | 第83页 |
| ·实验结果 | 第83-84页 |
| ·主要理论结果证明 | 第84-99页 |
| ·定理5.3的证明 | 第96-99页 |
| ·本章小结 | 第99-100页 |
| 第6章 总结与展望 | 第100-103页 |
| 参考文献 | 第103-110页 |
| 致谢 | 第110-112页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第112页 |
