| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 论文研究背景及其意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 用户建模研究现状 | 第11-12页 |
| 1.2.2 推荐系统研究现状 | 第12-16页 |
| 1.2.3 已有研究中存在的问题 | 第16页 |
| 1.4 论文主要内容及创新点 | 第16-18页 |
| 1.4.1 用户的建模 | 第16-17页 |
| 1.4.2 推荐算法 | 第17-18页 |
| 1.5 论文结构 | 第18-19页 |
| 第二章 相关机器学习算法与研究 | 第19-27页 |
| 2.1 特征建模相关技术 | 第19-23页 |
| 2.1.1 PCA | 第20页 |
| 2.1.2 聚类 | 第20-23页 |
| 2.2 推荐算法 | 第23-26页 |
| 2.2.1 KNN | 第24-25页 |
| 2.2.2 神经网络 | 第25-26页 |
| 2.3 开源框架介绍 | 第26页 |
| 2.3.1 NLPIR | 第26页 |
| 2.3.2 VLFEAT | 第26页 |
| 2.3.3 CAFFE | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于机器学习的用户特征建模 | 第27-38页 |
| 3.1 数据预处理与特征提取 | 第27-29页 |
| 3.1.1 数据集介绍与预处理 | 第27页 |
| 3.1.2 文本特征提取 | 第27-28页 |
| 3.1.3 数据降维 | 第28-29页 |
| 3.2 基于VLAD编码的用户特征建模 | 第29-31页 |
| 3.2.1 K-means聚类 | 第29页 |
| 3.2.2 残差特征聚合 | 第29-31页 |
| 3.3 改进的VLAD编码的用户特征建模 | 第31-36页 |
| 3.3.1 H-VLAD编码 | 第32-33页 |
| 3.3.2 S-VLAD编码 | 第33-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于神经网络的推荐系统 | 第38-44页 |
| 4.1 改进的KNN算法 | 第38-39页 |
| 4.2 孪生拟合神经网络 | 第39-42页 |
| 4.3 基于KNN的孪生拟合网络推荐系统 | 第42页 |
| 4.5 本章小结 | 第42-44页 |
| 第五章 算法实现与分析 | 第44-62页 |
| 5.1 开发环境和开发工具 | 第44页 |
| 5.1.1 系统开发环境 | 第44页 |
| 5.1.2 系统开发工具 | 第44页 |
| 5.2 系统的实现与分析 | 第44-61页 |
| 5.2.1 基于用户浏览新闻的特征建模系统系统实现 | 第44-47页 |
| 5.2.2 用户特征建模实验结果与分析 | 第47-53页 |
| 5.2.3 基于孪生拟合神经网络的系统实现 | 第53-58页 |
| 5.2.4 孪生拟合网络实验结果与分析 | 第58-61页 |
| 5.3 实验小结与讨论 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62页 |
| 6.2 下一步的工作展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读研究生期间发表的学术论文 | 第71页 |