基于异构数据融合的服务发现与推荐研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-10页 |
| 第1章 绪论 | 第17-25页 |
| 1.1 研究背景 | 第17-21页 |
| 1.1.1 服务计算与服务挖掘 | 第17-18页 |
| 1.1.2 服务数据多样化及挑战 | 第18-21页 |
| 1.2 研究动机和内容 | 第21-23页 |
| 1.3 本文结构 | 第23-25页 |
| 第2章 研究基础与现状 | 第25-34页 |
| 2.1 传统服务发现与组合方法 | 第25-26页 |
| 2.2 服务挖掘方法 | 第26-28页 |
| 2.3 相关数据挖掘研究工作 | 第28-33页 |
| 2.3.1 异构信息网络 | 第28-30页 |
| 2.3.2 多视图学习 | 第30-31页 |
| 2.3.3 基于深度学习的推荐算法 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于社交媒体信息的服务发现 | 第34-53页 |
| 3.1 研究动机 | 第34-35页 |
| 3.2 数据分析 | 第35-37页 |
| 3.3 基于社交媒体信息的服务发现方法 | 第37-44页 |
| 3.3.1 问题定义 | 第37页 |
| 3.3.2 服务发现框架 | 第37-38页 |
| 3.3.3 基于list的语义相似性 | 第38-41页 |
| 3.3.4 非功能性社交因素建模 | 第41-42页 |
| 3.3.5 模型学习 | 第42-44页 |
| 3.4 实验结果分析 | 第44-52页 |
| 3.4.1 实验设置 | 第45-47页 |
| 3.4.2 实验结果 | 第47-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第4章 基于异构信息网络的服务聚合 | 第53-67页 |
| 4.1 研究动机 | 第53-54页 |
| 4.2 基于异构信息网络的服务聚合 | 第54-61页 |
| 4.2.1 异构信息网络 | 第54-55页 |
| 4.2.2 基于元路径的相似度计算 | 第55-57页 |
| 4.2.3 服务推荐方法 | 第57-61页 |
| 4.3 实验结果与分析 | 第61-66页 |
| 4.3.1 实验配置 | 第61-63页 |
| 4.3.2 实验结果 | 第63-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 基于多视图特征融合的服务推荐 | 第67-89页 |
| 5.1 研究动机 | 第67-68页 |
| 5.2 数据分析 | 第68-71页 |
| 5.2.1 数据描述 | 第68-69页 |
| 5.2.2 数据分析 | 第69-71页 |
| 5.3 前提概念 | 第71-74页 |
| 5.3.1 张量概念和符号 | 第71-73页 |
| 5.3.2 问题形式化定义 | 第73-74页 |
| 5.4 预测模型 | 第74-80页 |
| 5.4.1 模型建立 | 第75-76页 |
| 5.4.2 模型推理 | 第76-77页 |
| 5.4.3 模型估计 | 第77-80页 |
| 5.4.4 正则化 | 第80页 |
| 5.5 实验结果与分析 | 第80-86页 |
| 5.5.1 实验配置 | 第81-82页 |
| 5.5.2 实验结果 | 第82-86页 |
| 5.6 本章小结 | 第86-89页 |
| 第6章 基于层次注意力神经网络的服务推荐 | 第89-104页 |
| 6.1 研究动机 | 第89-90页 |
| 6.2 前提概念 | 第90-91页 |
| 6.2.1 因子分解机模型 | 第90-91页 |
| 6.2.2 多视图预测 | 第91页 |
| 6.3 多视图注意力因子分解机模型 | 第91-95页 |
| 6.3.1 网络描述 | 第91-94页 |
| 6.3.2 评分预测 | 第94-95页 |
| 6.3.3 参数学习 | 第95页 |
| 6.4 实验结果与分析 | 第95-103页 |
| 6.4.1 实验配置 | 第95-98页 |
| 6.4.2 实验结果 | 第98-103页 |
| 6.5 本章小结 | 第103-104页 |
| 第7章 总结与展望 | 第104-107页 |
| 7.1 本文工作总结 | 第104-105页 |
| 7.2 未来工作展望 | 第105-107页 |
| 参考文献 | 第107-118页 |
| 攻读博士学位期间完成的主要研究成果 | 第118-120页 |
