基于循环神经网络的推荐算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题的背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文研究内容 | 第15-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 相关技术 | 第18-31页 |
| 2.1 协同过滤推荐 | 第18-22页 |
| 2.1.1 基于用户的协同过滤算法 | 第18-19页 |
| 2.1.2 基于物品的协同过滤算法 | 第19-20页 |
| 2.1.3 矩阵因子分解模型 | 第20-22页 |
| 2.2 随机梯度下降 | 第22-23页 |
| 2.3 反向传播算法 | 第23-25页 |
| 2.4 循环神经网络 | 第25-28页 |
| 2.5 TensorFlow相关技术 | 第28-30页 |
| 2.5.1 TensorFlow | 第28-29页 |
| 2.5.2 Tensorboard：图表可视化 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于循环神经网络的推荐算法 | 第31-46页 |
| 3.1 问题描述 | 第31页 |
| 3.2 Rating-RNN | 第31-42页 |
| 3.2.1 模型框架 | 第31-32页 |
| 3.2.2 局部敏感哈希的设计 | 第32-34页 |
| 3.2.3 RNN Layer结构 | 第34-36页 |
| 3.2.4 序列数据补齐 | 第36-37页 |
| 3.2.5 Dropout层 | 第37-38页 |
| 3.2.6 层次化Softmax层设计 | 第38-41页 |
| 3.2.7 并行化设计 | 第41-42页 |
| 3.3 Category-RNN设计 | 第42-43页 |
| 3.4 Mixing-RNN设计 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第4章 实验与结果分析 | 第46-64页 |
| 4.1 实验环境 | 第46页 |
| 4.2 算法评估指标 | 第46-47页 |
| 4.3 实验数据集 | 第47-48页 |
| 4.4 RNN模型调优 | 第48-57页 |
| 4.4.1 TensorFlow图表可视化 | 第48-49页 |
| 4.4.2 推荐电影数量 | 第49-51页 |
| 4.4.3 神经网络隐层节点数 | 第51-53页 |
| 4.4.4 序列长度 | 第53-55页 |
| 4.4.5 Dropout层的选择 | 第55-57页 |
| 4.5 基于RNN的推荐算法 | 第57-62页 |
| 4.5.1 对比算法 | 第57-58页 |
| 4.5.2 Rating-RNN | 第58-60页 |
| 4.5.3 Category-RNN | 第60-61页 |
| 4.5.4 Mixing-RNN | 第61-62页 |
| 4.6 本章小结 | 第62-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |
