基于深度神经网络的视频个性化推荐系统研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容及章节安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 章节安排 | 第14-15页 |
| 第2章 个性化推荐系统及相关技术 | 第15-26页 |
| 2.1 推荐系统概述 | 第15-16页 |
| 2.2 推荐系统的相关算法 | 第16-23页 |
| 2.2.1 基于内容的推荐算法 | 第16-19页 |
| 2.2.2 基于协同过滤的推荐算法 | 第19-22页 |
| 2.2.3 基于关联规则的推荐算法[38] | 第22页 |
| 2.2.4 基于社会化网络分析的推荐算法[41] | 第22-23页 |
| 2.2.5 混合推荐算法 | 第23页 |
| 2.3 推荐系统的评价指标 | 第23-25页 |
| 2.3.1 预测精确度 | 第23-24页 |
| 2.3.2 ROC曲线和AUC值 | 第24-25页 |
| 2.3.3 准确度（Accuracy） | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于深度语义模型的视频个性化推荐系统 | 第26-41页 |
| 3.1 算法流程概述 | 第26-27页 |
| 3.2 数据获取与数据预处理 | 第27-28页 |
| 3.2.1 数据获取 | 第27-28页 |
| 3.2.2 数据预处理 | 第28页 |
| 3.3 视频与用户建模 | 第28-30页 |
| 3.3.1 文本分词 | 第28-29页 |
| 3.3.2 视频建模 | 第29页 |
| 3.3.3 用户建模 | 第29-30页 |
| 3.4 深度语义模型搭建与训练 | 第30-35页 |
| 3.4.1 深度模型框架 | 第30-32页 |
| 3.4.2 网络模型理论推导 | 第32-33页 |
| 3.4.3 求导过程推导 | 第33-35页 |
| 3.5 生成推荐列表 | 第35页 |
| 3.6 实验设计及结果分析 | 第35-40页 |
| 3.6.1 实验数据及实验环境 | 第35-36页 |
| 3.6.2 网络实现 | 第36-37页 |
| 3.6.3 实验结果与分析 | 第37-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于概率语言模型的视频个性化推荐系统 | 第41-53页 |
| 4.1 词向量模型 | 第41-43页 |
| 4.2 基于概率语言模型的算法原理及实现 | 第43-47页 |
| 4.2.1 算法原理 | 第43-44页 |
| 4.2.2 算法实现 | 第44-47页 |
| 4.3 基于概率语言模型的推荐流程 | 第47-48页 |
| 4.3.1 数据获取以及数据预处理 | 第47页 |
| 4.3.2 视频及用户向量建模 | 第47页 |
| 4.3.3 生成推荐列表 | 第47-48页 |
| 4.4 实验设计与结果分析 | 第48-52页 |
| 4.4.1 实验数据和实验环境 | 第48-49页 |
| 4.4.2 实验结果与分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 论文工作总结 | 第53-54页 |
| 5.2 未来展望 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士学位期间的研究成果 | 第61页 |
