| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 国内外研究现状 | 第11-15页 |
| 1.2.2 微定向传播的现有方法存在的问题研究 | 第15-16页 |
| 1.3 论文的研究内容和结构安排 | 第16-18页 |
| 第二章 基于神经网络的用户OCEAN模型构建方法 | 第18-34页 |
| 2.1 OCEAN模型概述 | 第18-20页 |
| 2.1.1 OCEAN模型的介绍 | 第18页 |
| 2.1.2 OCEAN模型构建的研究现状及问题分析 | 第18-19页 |
| 2.1.3 构建OCEAN模型的算法改进 | 第19-20页 |
| 2.2 用户数据的获取 | 第20-22页 |
| 2.2.1 性格测试量表获取用户OCEAN模型 | 第20-21页 |
| 2.2.2 获取用户行为数据 | 第21-22页 |
| 2.3 用户文本特征的提取 | 第22-26页 |
| 2.3.1 LDA主题模型 | 第22-24页 |
| 2.3.2 LDA主题模型应用于文本特征提取 | 第24-26页 |
| 2.4 用户OCEAN模型构建方法 | 第26-30页 |
| 2.4.1 神经网络模型的介绍 | 第26-27页 |
| 2.4.2 基于BP神经网络的用户OCEAN模型构建 | 第27-30页 |
| 2.5 实验与结果分析 | 第30-33页 |
| 2.5.1 实验数据和评价指标 | 第30-31页 |
| 2.5.2 实验方法和结果分析 | 第31-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第三章 基于用户聚类的微定向传播方法 | 第34-53页 |
| 3.1 基本微定向传播算法 | 第34-38页 |
| 3.1.1 基于内存的协同过滤 | 第34-35页 |
| 3.1.2 协同过滤算法的问题研究 | 第35-36页 |
| 3.1.3 算法的改进思想 | 第36-38页 |
| 3.2 基于用户聚类的协同过滤 | 第38-44页 |
| 3.2.1 数据的收集与整理 | 第38-39页 |
| 3.2.2 基于用户OCEAN模型聚类生成相似用户群 | 第39-40页 |
| 3.2.3 基于SVD的协同过滤 | 第40-42页 |
| 3.2.4 基于BIASSVD的协同过滤 | 第42-44页 |
| 3.3 实验与结果分析 | 第44-52页 |
| 3.3.1 评价指标 | 第44-45页 |
| 3.3.2 实验方法与结果分析 | 第45-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 综合OCEAN模型与SDAE的微定向传播方法 | 第53-69页 |
| 4.1 深度学习在微定向传播算法的应用 | 第53-54页 |
| 4.2 栈式降噪自编码器 | 第54-59页 |
| 4.2.1 传统的自动编码器 | 第54-56页 |
| 4.2.2 SDAE模型 | 第56-59页 |
| 4.3 混合微定向传播模型的建立 | 第59-63页 |
| 4.3.1 基于SDAE的矩阵潜在因子的提取 | 第59-62页 |
| 4.3.2 用户评分的预测及推荐 | 第62-63页 |
| 4.4 实验结果分析 | 第63-67页 |
| 4.4.1 数据集和实验参数的选取 | 第63-64页 |
| 4.4.2 结果比较与分析 | 第64-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 全文总结与展望 | 第69-71页 |
| 5.1 研究工作总结 | 第69-70页 |
| 5.2 未来的研究内容展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 个人简历及研究成果 | 第76页 |
