迁移社交网络的交叉推荐算法研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.2.1 信息推荐研究进展 | 第11-12页 |
| 1.2.2 迁移学习研究进展 | 第12-13页 |
| 1.2.3 交叉推荐研究进展 | 第13页 |
| 1.3 本文研究工作 | 第13-14页 |
| 1.4 论文的结构 | 第14-16页 |
| 第二章 迁移学习与交叉推荐算法的相关研究 | 第16-31页 |
| 2.1 迁移学习研究概述 | 第16-22页 |
| 2.1.1 归纳迁移学习 | 第19-20页 |
| 2.1.2 直推迁移学习 | 第20-21页 |
| 2.1.3 无监督迁移学习 | 第21页 |
| 2.1.4 迁移界限和负迁移 | 第21-22页 |
| 2.2 交叉推荐研究概述 | 第22-29页 |
| 2.2.1 交叉推荐的领域数据划分 | 第22-24页 |
| 2.2.1.1 系统领域 | 第22-23页 |
| 2.2.1.2 数据类型领域 | 第23-24页 |
| 2.2.1.3 时间领域 | 第24页 |
| 2.2.2 交叉推荐的迁移方式 | 第24-29页 |
| 2.2.2.1 共享打分模式的交叉推荐算法 | 第24-28页 |
| 2.2.2.2 基于主题学习模型的交叉推荐 | 第28-29页 |
| 2.3 本章小结 | 第29-31页 |
| 第三章 基于协同过滤的交叉推荐 | 第31-44页 |
| 3.1 引言 | 第31-32页 |
| 3.2 交叉推荐问题 | 第32-33页 |
| 3.3 耦合交叉用户的CF算法 | 第33-36页 |
| 3.3.1 算法的计算过程 | 第33-36页 |
| 3.3.2 算法的伪代码实现 | 第36页 |
| 3.4 实验设计及结果分析 | 第36-42页 |
| 3.4.1 实验设计 | 第36-39页 |
| 3.4.1.1 数据集说明 | 第36-38页 |
| 3.4.1.2 评测方法 | 第38页 |
| 3.4.1.3 实验步骤和方法 | 第38-39页 |
| 3.4.2 实验结果及分析 | 第39-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 基于迁移学习的交叉推荐算法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 RMGM算法 | 第44-51页 |
| 4.2.1 RMGM算法的思路 | 第45-47页 |
| 4.2.1.1 输入矩阵 | 第45页 |
| 4.2.1.2 学习共享的用户打分模式 | 第45-47页 |
| 4.2.1.3 预测评分 | 第47页 |
| 4.2.2 RMGM概率模型 | 第47页 |
| 4.2.3 RMGM模型的学习过程 | 第47-51页 |
| 4.3 实验设计 | 第51-52页 |
| 4.3.1 实验数据说明 | 第51页 |
| 4.3.2 实验方法 | 第51-52页 |
| 4.4 实验结果及分析 | 第52-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 影响交叉推荐算法的领域特性分析 | 第58-67页 |
| 5.1 交叉推荐存在的问题 | 第58页 |
| 5.2 辅助域特征分析 | 第58-59页 |
| 5.2.1 KL散度 | 第58-59页 |
| 5.2.2 用户置信度 | 第59页 |
| 5.3 实验设计 | 第59-60页 |
| 5.3.1 实验数据及方法说明 | 第59-60页 |
| 5.3.2 相关性测评方法 | 第60页 |
| 5.4 实验及结果分析 | 第60-66页 |
| 5.4.1 18组数据域的KL分布 | 第60-61页 |
| 5.4.2 MAE和KL散度的相关性 | 第61-63页 |
| 5.4.3 用户置信度分析 | 第63-64页 |
| 5.4.4 MAE和用户置信度的相关性分析 | 第64-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-70页 |
| 6.1 工作总结 | 第67-68页 |
| 6.2 工作展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间取得的成果 | 第77-78页 |
