多源数据融合的协同过滤算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-15页 |
| 1.2 研究内容 | 第15-17页 |
| 1.3 主要贡献 | 第17-18页 |
| 1.4 章节组织 | 第18-19页 |
| 第2章 相关研究和基础知识 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 协同过滤的研究基础与相关进展 | 第19-30页 |
| 2.2.1 推荐系统 | 第19-20页 |
| 2.2.2 推荐算法介绍 | 第20-23页 |
| 2.2.3 矩阵分解 | 第23-24页 |
| 2.2.4 Spark分布式并行计算技术 | 第24-26页 |
| 2.2.5 协同过滤的相关研究 | 第26-30页 |
| 2.3 协同过滤结合深度学习的相关研究 | 第30-31页 |
| 2.4 Docker容器技术 | 第31-32页 |
| 2.5 小结 | 第32-33页 |
| 第3章 多源数据融合与矩阵分解算法优化 | 第33-40页 |
| 3.1 引言 | 第33页 |
| 3.2 数据融合 | 第33-34页 |
| 3.3 融合显性反馈和隐性反馈分析 | 第34-35页 |
| 3.3.1 显式评分矩阵分解 | 第34-35页 |
| 3.3.2 隐式矩阵分解 | 第35页 |
| 3.4 统一显式和隐式反馈模型UEIFM | 第35-37页 |
| 3.5 基于Spark的UEIFM并行实现 | 第37-38页 |
| 3.5.1 Spark矩阵存储方法 | 第37-38页 |
| 3.5.2 模型的并行化实现 | 第38页 |
| 3.6 小结 | 第38-40页 |
| 第4章 结合自动编码器的协同过滤推荐 | 第40-47页 |
| 4.1 引言 | 第40页 |
| 4.2 自动编码器和稀疏输入 | 第40-42页 |
| 4.2.1 去噪自动编码器 | 第40-41页 |
| 4.2.2 稀疏输入 | 第41-42页 |
| 4.3 自动编码器结合协同过滤矩阵分解 | 第42-43页 |
| 4.3.1 学习模型 | 第42页 |
| 4.3.2 协同自动编码器框架 | 第42-43页 |
| 4.4 协同自动编码器设计 | 第43-46页 |
| 4.4.1 自动编码器结构 | 第43-44页 |
| 4.4.2 自动编码器优化 | 第44-45页 |
| 4.4.3 可扩展性问题 | 第45-46页 |
| 4.5 小结 | 第46-47页 |
| 第5章 实验设计与评估 | 第47-62页 |
| 5.1 引言 | 第47页 |
| 5.2 实验平台 | 第47页 |
| 5.3 实验数据集 | 第47-48页 |
| 5.4 实验评估 | 第48-49页 |
| 5.5 多源数据融合模型与算法优化实验 | 第49-51页 |
| 5.6 结合自动编码器的协同过滤推荐实验 | 第51-60页 |
| 5.6.1 参数设置 | 第51-52页 |
| 5.6.2 评估指标 | 第52-53页 |
| 5.6.3 模型比较 | 第53-60页 |
| 5.7 小结 | 第60-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 附录A 攻读硕士学位期间发表的学术论文 | 第71-72页 |
| 附录B 攻读硕士学位期间所参与的项目 | 第72页 |
