基于视频流行度及视频分类标签的Top-N推荐
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 推荐系统及其相关技术 | 第15-30页 |
| 2.1 推荐系统定义及算法分类 | 第15-17页 |
| 2.1.1 系统定义 | 第15-16页 |
| 2.1.2 算法分类 | 第16-17页 |
| 2.2 协同过滤 | 第17-26页 |
| 2.2.1 基于近邻的算法 | 第18-20页 |
| 2.2.2 基于矩阵因子分解的算法 | 第20-23页 |
| 2.2.3 基于神经网络的算法 | 第23-26页 |
| 2.3 Top-N推荐阶段 | 第26页 |
| 2.4 评测指标 | 第26-29页 |
| 2.4.1 评分预测 | 第26-28页 |
| 2.4.2 Top-N推荐 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于视频流行度的列表矩阵因子分解算法 | 第30-43页 |
| 3.1 排序预测推荐算法 | 第30-31页 |
| 3.2 物品流行偏置 | 第31-32页 |
| 3.3 基于视频流行度的列表级矩阵因子分解算法 | 第32-36页 |
| 3.3.1 梯度下降 | 第33页 |
| 3.3.2 改进的Top-1排序概率 | 第33-34页 |
| 3.3.3 修正的评分规则 | 第34-36页 |
| 3.3.4 算法复杂度分析 | 第36页 |
| 3.4 实验及分析 | 第36-42页 |
| 3.4.1 数据集和实验配置说明 | 第36-37页 |
| 3.4.2 实验结果及分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于视频分类标签的自动编码器推荐算法 | 第43-57页 |
| 4.1 自动编码器介绍 | 第43-46页 |
| 4.2 深度学习框架 | 第46页 |
| 4.3 基于视频分类标签的自动编码器推荐算法 | 第46-52页 |
| 4.3.1 基于自动编码器的推荐算法 | 第46-48页 |
| 4.3.2 基于视频分类标签 | 第48-51页 |
| 4.3.3 算法复杂度分析 | 第51-52页 |
| 4.4 实验及分析 | 第52-56页 |
| 4.4.1 数据集和实验配置说明 | 第52-53页 |
| 4.4.2 实验结果及分析 | 第53-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士期间发表的论文 | 第64页 |
