基于图模型的个性化标签推荐技术研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 2 标签系统及相关技术 | 第14-29页 |
| 2.1 推荐系统概述 | 第14-16页 |
| 2.2 标签系统概述 | 第16-21页 |
| 2.2.1 标签系统模型 | 第16-17页 |
| 2.2.2 标签 | 第17-18页 |
| 2.2.3 标签系统的实例 | 第18-21页 |
| 2.3 标签系统和协同过滤 | 第21-24页 |
| 2.3.1 传统的协同过滤方法 | 第21-23页 |
| 2.3.2 利用标签扩展的协同过滤方法 | 第23-24页 |
| 2.4 个性化标签推荐 | 第24-28页 |
| 2.4.1 为什么要推荐标签 | 第24页 |
| 2.4.2 个性化标签推荐原理 | 第24-26页 |
| 2.4.4 标签推荐算法分类 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于三部图的个性化标签推荐技术 | 第29-36页 |
| 3.1 二部图理论 | 第29-30页 |
| 3.2 标签系统的三部图 | 第30-31页 |
| 3.3 基于三部图的推荐技术 | 第31-33页 |
| 3.3.1 PageRank 算法 | 第31-32页 |
| 3.3.2 FolkRank 算法 | 第32-33页 |
| 3.4 基于三部图张量分解的方法 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 4 基于加权三部图的个性化标签推荐方法 | 第36-44页 |
| 4.1 GMTR 算法思想 | 第36页 |
| 4.2 GMTR 关键技术 | 第36-38页 |
| 4.2.1 TF-IDF | 第36-37页 |
| 4.2.2 Okapi BM25 | 第37-38页 |
| 4.3 GMTR 算法实现 | 第38-44页 |
| 4.3.1 构造稀疏矩阵 | 第38-41页 |
| 4.3.2 权重策略 | 第41-42页 |
| 4.3.3 标签推荐 | 第42-44页 |
| 5 实验结果与分析 | 第44-52页 |
| 5.1 实验数据 | 第44页 |
| 5.2 评价方法 | 第44-45页 |
| 5.3 实验结果与分析 | 第45-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
| 作者在攻读学位期间发表的论文目录 | 第59页 |
