基于排序学习的Top-N推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 本文研究的目的和意义 | 第13-14页 |
| 1.2 国内外研究现状及发展趋势 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 推荐系统的相关理论研究 | 第19-32页 |
| 2.1 Top-N推荐系统 | 第19-27页 |
| 2.1.1 推荐系统的形式化描述 | 第19-20页 |
| 2.1.2 常用推荐算法分析 | 第20-26页 |
| 2.1.3 常用评测方法和指标 | 第26-27页 |
| 2.2 排序学习概述 | 第27-31页 |
| 2.2.1 排序学习形式化描述 | 第28-29页 |
| 2.2.2 排序学习方法 | 第29-30页 |
| 2.2.3 排序学习评价指标 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 基于排序学习的Top-N推荐框架 | 第32-41页 |
| 3.1 基于排序学习的推荐模型 | 第32-34页 |
| 3.1.1 推荐问题转化 | 第32-33页 |
| 3.1.2 推荐框架建立 | 第33-34页 |
| 3.2 ListRank-MF模型融合 | 第34-35页 |
| 3.3 基于评分的特征定义 | 第35-36页 |
| 3.4 基于熵的多样性特征模型 | 第36-38页 |
| 3.4.1 推荐的多样性 | 第36-37页 |
| 3.4.2 多样性倾向分析 | 第37页 |
| 3.4.3 多样性特征建模 | 第37-38页 |
| 3.5 特征选择 | 第38-40页 |
| 3.6 特征融合 | 第40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 基于排序学习的Top-N推荐算法优化 | 第41-48页 |
| 4.1 推荐系统的时效性 | 第41-42页 |
| 4.2 最近反馈排序模型 | 第42-44页 |
| 4.2.1 反馈模型设计 | 第42-43页 |
| 4.2.2 反馈信息建模 | 第43-44页 |
| 4.3 在线学习 | 第44-47页 |
| 4.3.1 FTRL算法 | 第45-46页 |
| 4.3.2 在线学习应用 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 本文算法的实验及结果分析 | 第48-62页 |
| 5.1 实验条件 | 第48-50页 |
| 5.1.1 实验采用数据集 | 第48页 |
| 5.1.2 实验的评测指标 | 第48-49页 |
| 5.1.3 实验环境说明 | 第49-50页 |
| 5.2 基于排序学习的推荐模型验证实验 | 第50-57页 |
| 5.2.1 常用推荐算法实验 | 第50-52页 |
| 5.2.2 模型的推荐有效性验证 | 第52-53页 |
| 5.2.3 模型的多样性效果验证 | 第53-54页 |
| 5.2.4 特征选择分析实验 | 第54-56页 |
| 5.2.5 模型性能对比实验 | 第56-57页 |
| 5.3 最近反馈排序模型与在线学习实验结果 | 第57-61页 |
| 5.3.1 模拟实验设计 | 第57-58页 |
| 5.3.2 最近反馈排序模型实验结果 | 第58-60页 |
| 5.3.3 在线学习应用效果分析实验 | 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 |
| 攻读学位期间发表的论文与研究成果清单 | 第69-70页 |
| 致谢 | 第70页 |
