| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 第二章 相关技术 | 第13-23页 |
| 2.1 自然语言处理:从规则到统计 | 第13页 |
| 2.2 统计语言模型的基础知识 | 第13-17页 |
| 2.2.1 贝叶斯统计 | 第14页 |
| 2.2.2 共轭先验(Conjugate Prior) | 第14-17页 |
| 2.3 文档主题模型 | 第17-20页 |
| 2.3.1 隐语义模型(LSI) | 第17-18页 |
| 2.3.2 概率隐语义模型(pLSI) | 第18-19页 |
| 2.3.3 主题模型LDA | 第19-20页 |
| 2.4 利用变分推断对LDA模型的求解 | 第20-22页 |
| 2.4.1 变分推导 | 第20-21页 |
| 2.4.2 参数估计 | 第21-22页 |
| 2.5 Gibbs采样算法 | 第22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 商品推荐中的主题模型 | 第23-36页 |
| 3.1 引言 | 第23-24页 |
| 3.2 主题模型LDA | 第24-27页 |
| 3.2.1 构建模型 | 第24-26页 |
| 3.2.2 隐含结构的后验概率 | 第26-27页 |
| 3.3 用户-主题模型U_LDA | 第27-31页 |
| 3.3.1 构建模型 | 第27-29页 |
| 3.3.2 隐含结构的后验概率 | 第29-30页 |
| 3.3.3 预测 | 第30-31页 |
| 3.4 用户-行为-主题模型UB_LDA | 第31-34页 |
| 3.4.1 构建模型 | 第31-33页 |
| 3.4.2 隐含结构的后验概率 | 第33-34页 |
| 3.4.3 预测 | 第34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 模型推断及参数估计 | 第36-41页 |
| 4.1 利用Gibbs采样对U LDA模型的求解 | 第36-38页 |
| 4.1.1 符号表示 | 第36页 |
| 4.1.2 Gibbs采样算法实现 | 第36-38页 |
| 4.2 利用Gibbs采样算法对UB LDA模型的求解 | 第38-40页 |
| 4.2.1 符号表示 | 第38页 |
| 4.2.2 Gibbs采样算法实现 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第五章 实验及结果分析 | 第41-52页 |
| 5.1 数据预处理 | 第41-43页 |
| 5.2 主题模型对比实验 | 第43-45页 |
| 5.3 推荐实验实现及效果对比 | 第45-50页 |
| 5.3.1 推荐列表生成过程及实现 | 第45-48页 |
| 5.3.2 推荐算法对比实验 | 第48-49页 |
| 5.3.3 加权优化 | 第49-50页 |
| 5.4 本章小结 | 第50-52页 |
| 第六章 结论与展望 | 第52-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-56页 |