| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 课题研究背景以及研究意义 | 第8-9页 |
| 1.2 研究现状 | 第9-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 文章结构 | 第15-16页 |
| 第2章 基于 session bandit 的广告推荐 | 第16-24页 |
| 2.1 引言 | 第16页 |
| 2.2 相关背景知识 | 第16-20页 |
| 2.2.1 Contextual bandit 问题回顾 | 第16-17页 |
| 2.2.2 岭回归回顾 | 第17-18页 |
| 2.2.3 LDA 主题模型回顾 | 第18-20页 |
| 2.3 Session bandit 算法 | 第20-23页 |
| 2.3.1 基于岭回归的点击率预估模型 | 第20-23页 |
| 2.3.2 不确定因子 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于最大熵的哈希方法 | 第24-34页 |
| 3.1 引言 | 第24页 |
| 3.2 相关背景知识 | 第24-25页 |
| 3.3 问题定义 | 第25-26页 |
| 3.4 基于最大熵的目标函数 | 第26-31页 |
| 3.4.1 与用户偏好一致的哈希值 | 第26页 |
| 3.4.2 哈希值的最大熵约束 | 第26-28页 |
| 3.4.3 目标函数最终形式 | 第28-31页 |
| 3.5 目标函数的求解方法 | 第31-33页 |
| 3.5.1 优化算法 | 第31-32页 |
| 3.5.2 时间复杂度分析 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于 boosting 的哈希方法 | 第34-51页 |
| 4.1 引言 | 第34页 |
| 4.2 相关背景知识 | 第34-37页 |
| 4.2.1 adaboost 算法回顾 | 第34-35页 |
| 4.2.2 SVM 模型回顾 | 第35-37页 |
| 4.3 预备知识 | 第37-39页 |
| 4.3.1 变量定义和说明 | 第37-39页 |
| 4.3.2 哈希函数定义 | 第39页 |
| 4.4 学习哈希函数 | 第39-50页 |
| 4.4.1 方法概览 | 第39-40页 |
| 4.4.2 目标函数 | 第40-43页 |
| 4.4.3 哈希函数学习过程 | 第43-49页 |
| 4.4.4 利用哈希函数进行推荐 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 实验结果及分析 | 第51-62页 |
| 5.1 Session bandit 的实验结果 | 第51-52页 |
| 5.2 异构数据哈希实验 | 第52-54页 |
| 5.2.1 实验配置 | 第52-53页 |
| 5.2.2 Wiki 数据集上的实验结果 | 第53页 |
| 5.2.3 NUS 数据集上的实验结果 | 第53-54页 |
| 5.3 冷启动推荐实验 | 第54-61页 |
| 5.3.1 实验方案和评价准则 | 第54-57页 |
| 5.3.2 本文三种方法对比 | 第57-58页 |
| 5.3.3 与其他冷启动方法对比 | 第58-60页 |
| 5.3.4 推荐效率对比 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文 | 第69-71页 |
| 致谢 | 第71-72页 |