基于表示学习的浏览行为分析
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文研究内容及其意义 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 相关技术介绍 | 第13-23页 |
| 2.1 表示学习的概念及用途 | 第13页 |
| 2.2 符号特征向量表示学习 | 第13-19页 |
| 2.2.1 统计符号模型 | 第14-16页 |
| 2.2.2 神经概率符号模型 | 第16-19页 |
| 2.3 t_SNE降维 | 第19-22页 |
| 2.3.1 SNE降维 | 第20-21页 |
| 2.3.2 t_SNE降维 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 URL语义表示学习及Web预处理 | 第23-34页 |
| 3.1 Web日志预处理 | 第23-27页 |
| 3.1.1 Web日志 | 第23-25页 |
| 3.1.2 数据清洗 | 第25-26页 |
| 3.1.3 用户识别 | 第26页 |
| 3.1.4 会话识别 | 第26-27页 |
| 3.1.5 路径筛选 | 第27页 |
| 3.2 并发路径构建 | 第27-29页 |
| 3.3 URL库构建 | 第29-32页 |
| 3.3.1 URL表构建 | 第29页 |
| 3.3.2 符号向量预训练 | 第29-32页 |
| 3.4 URL语义表示分析 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 浏览偏好模式分析 | 第34-49页 |
| 4.1 先验条件 | 第34-35页 |
| 4.2 图概率偏好模式挖掘 | 第35-38页 |
| 4.3 神经网络偏好模式挖掘 | 第38-46页 |
| 4.3.1 梯度问题优化 | 第38-43页 |
| 4.3.2 优化目标和权值更新 | 第43-44页 |
| 4.3.3 实现细节 | 第44-46页 |
| 4.4 结果分析 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 行为语义表示学习 | 第49-58页 |
| 5.1 分布特征表示 | 第49页 |
| 5.2 行为表示与结构分析 | 第49-51页 |
| 5.3 会话语义向量 | 第51页 |
| 5.4 人群区域特征分析 | 第51-52页 |
| 5.5 浏览行为动态性 | 第52-56页 |
| 5.6 热点追踪 | 第56-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 作者简介 | 第63页 |
