基于梯度提升决策树与深度信念网络融合的推荐算法研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 推荐系统研究现状 | 第11-13页 |
| 1.2.2 研究问题分析 | 第13-15页 |
| 1.3 本文工作与创新 | 第15-16页 |
| 1.3.1 本文主要工作 | 第15页 |
| 1.3.2 本文改进创新 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第2章 推荐系统理论基础 | 第17-25页 |
| 2.1 推荐系统概述 | 第17-18页 |
| 2.2 推荐系统评测指标 | 第18-21页 |
| 2.2.1 推荐准确度 | 第18-19页 |
| 2.2.2 推荐覆盖度 | 第19-20页 |
| 2.2.3 推荐多样性 | 第20-21页 |
| 2.3 用户行为数据分析 | 第21-22页 |
| 2.4 推荐系统的问题 | 第22-23页 |
| 2.5 小结 | 第23-25页 |
| 第3章 基于深度信念网络的特征集合构建 | 第25-30页 |
| 3.1 引言 | 第25页 |
| 3.2 特征提取 | 第25-27页 |
| 3.2.1 特征数据分析 | 第25-26页 |
| 3.2.2 特征集合生成 | 第26-27页 |
| 3.3 基于深度信念网络的特征集合构建 | 第27-29页 |
| 3.4 小结 | 第29-30页 |
| 第4章 基于梯度提升思想的决策树算法 | 第30-38页 |
| 4.1 引言 | 第30页 |
| 4.2 决策树 | 第30-33页 |
| 4.3 梯度提升决策树 | 第33-36页 |
| 4.3.1 boosting思想 | 第33-34页 |
| 4.3.2 损失函数 | 第34页 |
| 4.3.3 前向分步算法 | 第34-35页 |
| 4.3.4 梯度提升决策树算法 | 第35-36页 |
| 4.4 小结 | 第36-38页 |
| 第5章 梯度提升决策树与深度信念网络算法的实现 | 第38-52页 |
| 5.1 模型构建流程 | 第38-39页 |
| 5.2 数据准备 | 第39-40页 |
| 5.3 算法模型构建 | 第40-49页 |
| 5.3.1 数据分析 | 第40-43页 |
| 5.3.2 数据预处理 | 第43-44页 |
| 5.3.3 模型数据集合构建与划分 | 第44-46页 |
| 5.3.4 算法模型实现 | 第46-49页 |
| 5.4 算法结果分析 | 第49-51页 |
| 5.5 结束语 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 致谢 | 第57-58页 |
