基于嵌入式表示学习的推荐方法与应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景与研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 推荐系统以及协同过滤 | 第10-11页 |
| 1.2.2 表示学习 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 推荐系统关键技术 | 第14-24页 |
| 2.1 推荐系统概述 | 第14-18页 |
| 2.1.1 推荐系统的概念 | 第14页 |
| 2.1.2 推荐算法的分类 | 第14-17页 |
| 2.1.3 推荐系统评价标准 | 第17-18页 |
| 2.2 协同过滤推荐算法 | 第18-23页 |
| 2.2.1 协同过滤概述 | 第18-19页 |
| 2.2.2 推荐步骤 | 第19-21页 |
| 2.2.3 协同过滤算法分类 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 表示学习基础理论 | 第24-30页 |
| 3.1 表示学习概述 | 第24-25页 |
| 3.2 Word2vec | 第25-29页 |
| 3.2.1 skip-gram | 第25-28页 |
| 3.2.2 CBOW | 第28-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第4章 基于标签信息特征相似性的协同过滤推荐算法 | 第30-44页 |
| 4.1 标签系统 | 第30页 |
| 4.2 基于标签信息特征相似性的协同过滤推荐算法 | 第30-36页 |
| 4.2.1 用户-标签-项目三分图 | 第31-32页 |
| 4.2.2 基于标签的用户偏好计算 | 第32-33页 |
| 4.2.3 基于标签的相似性计算 | 第33-35页 |
| 4.2.4 用户偏好预测 | 第35-36页 |
| 4.3 算法设计 | 第36-38页 |
| 4.4 实验分析 | 第38-43页 |
| 4.4.1 实验设置 | 第39页 |
| 4.4.2 评估标准 | 第39页 |
| 4.4.3 实验结果及分析 | 第39-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第5章 基于嵌入式表示学习的协同过滤推荐算法 | 第44-52页 |
| 5.1 算法设计 | 第44-46页 |
| 5.1.1 基于表示学习的标签向量化 | 第44-45页 |
| 5.1.2 算法描述 | 第45-46页 |
| 5.2 实验分析 | 第46-51页 |
| 5.2.1 实验设置 | 第47-48页 |
| 5.2.2 实验结果及分析 | 第48-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 个性化电影推荐引擎设计与实现 | 第52-62页 |
| 6.1 应用背景 | 第52页 |
| 6.2 关键技术 | 第52-54页 |
| 6.2.1 数据处理 | 第52-53页 |
| 6.2.2 系统构建 | 第53-54页 |
| 6.3 系统设计与实现 | 第54-61页 |
| 6.3.1 系统需求分析 | 第54-56页 |
| 6.3.2 系统设计 | 第56-57页 |
| 6.3.3 推荐系统的实现 | 第57-61页 |
| 6.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
