主题模型与矩阵分解模型在信息流推荐中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 研究历史及现状 | 第9-11页 |
| 1.3 信息流推荐技术存在的问题 | 第11页 |
| 1.4 研究内容和论文架构 | 第11-12页 |
| 第2章 主题模型 | 第12-20页 |
| 2.1 LDA基本理论 | 第12-15页 |
| 2.2 参数估计 | 第15-19页 |
| 2.2.1 EM算法 | 第15-18页 |
| 2.2.2 Gbbis抽样 | 第18-19页 |
| 2.3 小结 | 第19-20页 |
| 第3章 矩阵分解算法 | 第20-26页 |
| 3.1 建模 | 第20-21页 |
| 3.2 最优化求解 | 第21-22页 |
| 3.3 算法扩展 | 第22-24页 |
| 3.3.1 偏见系数 | 第22-23页 |
| 3.3.2 用户隐因子向量扩展 | 第23-24页 |
| 3.3.3 时间效应 | 第24页 |
| 3.4 小结 | 第24-26页 |
| 第4章 基于LDA和MF的微博信息流推荐模型 | 第26-32页 |
| 4.1 整体解决思路及框架 | 第26-27页 |
| 4.2 微博信息流推荐模型 | 第27-30页 |
| 4.2.1 用户特征提取 | 第27-28页 |
| 4.2.2 用户和词语隐因子向量 | 第28-29页 |
| 4.2.3 推荐生成 | 第29-30页 |
| 4.3 模型评测 | 第30-31页 |
| 4.4 小结 | 第31-32页 |
| 第5章 实验与结果分析 | 第32-42页 |
| 5.1 数据集和数据集的预处理 | 第32-34页 |
| 5.1.1 数据集的选择 | 第32-33页 |
| 5.1.2 基本信息 | 第33-34页 |
| 5.1.3 预处理 | 第34页 |
| 5.2 实验方案 | 第34-39页 |
| 5.2.1 中文分词 | 第34-35页 |
| 5.2.2 LDA模型提取主题维度的特征向量 | 第35-38页 |
| 5.2.3 MF算法做推荐 | 第38-39页 |
| 5.3 结果与分析 | 第39-41页 |
| 5.4 小结 | 第41-42页 |
| 结论 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
