基于图表学习的社交推荐研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 2 相关理论基础 | 第17-31页 |
| 2.1 问题场景定义 | 第17-20页 |
| 2.1.1 推荐场景 | 第17-19页 |
| 2.1.2 结合社交信息的推荐场景 | 第19-20页 |
| 2.2 矩阵分解算法 | 第20-25页 |
| 2.2.1 矩阵分解算法的基本原理 | 第21-22页 |
| 2.2.2 融合社交信息的矩阵分解算法 | 第22-25页 |
| 2.3 图表示学习的原理及应用 | 第25-30页 |
| 2.3.1 图表示学习的相关研究 | 第26-29页 |
| 2.3.2 图表示学习在推荐上的应用 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 3 基于图表示学习的社交推荐模型 | 第31-43页 |
| 3.1 社交网络的构建 | 第31-37页 |
| 3.1.1 全局影响力的度量 | 第32-33页 |
| 3.1.2 局部影响力的度量 | 第33-35页 |
| 3.1.3 信任式关系社交网络的建模 | 第35-37页 |
| 3.2 融合协同网络用户关系优化 | 第37-40页 |
| 3.2.1 构建协同网络 | 第37-38页 |
| 3.2.2 优化用户社交关系 | 第38-40页 |
| 3.3 基于图表示学习的推荐模型构建 | 第40-42页 |
| 3.3.1 模型构建 | 第40-41页 |
| 3.3.2 模型复杂度分析与整体算法流程 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 实验与分析 | 第43-56页 |
| 4.1 实验数据集及评价指标 | 第43-45页 |
| 4.1.1 数据集及统计指标 | 第43-44页 |
| 4.1.2 评价指标 | 第44-45页 |
| 4.2 实验方案 | 第45-47页 |
| 4.2.1 对比方法 | 第45-46页 |
| 4.2.2 实验设计 | 第46页 |
| 4.2.3 实验环境 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-55页 |
| 4.3.1 全体用户和冷启动用户的推荐结果 | 第47-51页 |
| 4.3.2 模型参数分析 | 第51-53页 |
| 4.3.3 不同社交维度用户的推荐结果分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 总结 | 第56页 |
| 5.2 研究展望 | 第56-58页 |
| 参考文献 | 第58-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
