基于张量分解的上下文感知推荐及其应用
| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第11-14页 |
| 第二章 推荐系统和相关应用概述 | 第14-22页 |
| 2.1 推荐系统 | 第14页 |
| 2.2 推荐系统产生背景 | 第14-15页 |
| 2.3 推荐系统应用 | 第15-18页 |
| 2.3.1 新闻推荐 | 第15-16页 |
| 2.3.2 电子商务推荐 | 第16-17页 |
| 2.3.3 娱乐推荐 | 第17-18页 |
| 2.3.4 上下文感知推荐 | 第18页 |
| 2.4 推荐系统分类介绍 | 第18-21页 |
| 2.4.1 内容过滤技术的推荐系统 | 第19页 |
| 2.4.2 规则过滤技术的推荐系统 | 第19-20页 |
| 2.4.3 协同过滤技术的推荐系统 | 第20页 |
| 2.4.4 混合过滤技术的推荐系统 | 第20页 |
| 2.4.5 基于上下文感知的推荐系统 | 第20-21页 |
| 2.5 现有推荐系统的缺陷和问题 | 第21-22页 |
| 第三章 扩展的张量模型及张量分解 | 第22-32页 |
| 3.1 张量概念 | 第22-24页 |
| 3.2 矩阵分解 | 第24-29页 |
| 3.3 张量分解法 | 第29-32页 |
| 3.3.1 张量的CP-分解 | 第30-31页 |
| 3.3.2 张量的HOSVD分解 | 第31-32页 |
| 第四章 上下文感知的N维张量分解推荐算法 | 第32-44页 |
| 4.1 推荐流程图 | 第32-33页 |
| 4.2 对数据集的预处理 | 第33-35页 |
| 4.3 张量模型的建立 | 第35-38页 |
| 4.3.1 模型参数设定 | 第35-36页 |
| 4.3.2 多维张量分解模型 | 第36-38页 |
| 4.4 模型计算复杂度分析 | 第38页 |
| 4.5 优化及模型求解 | 第38-41页 |
| 4.5.1 正则化 | 第39-40页 |
| 4.5.2 模型优化 | 第40-41页 |
| 4.6 实验评估 | 第41-44页 |
| 参考文献 | 第44-47页 |
| 致谢 | 第47页 |
