基于协同过滤和深度学习的推荐算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 推荐系统的研究背景及意义 | 第9-10页 |
| 1.1.1 推荐系统的兴起 | 第9页 |
| 1.1.2 推荐系统研究意义 | 第9-10页 |
| 1.2 推荐系统的国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 章节安排 | 第12-14页 |
| 第二章 相关技术 | 第14-20页 |
| 2.1 传统推荐算法概述 | 第14-17页 |
| 2.1.1 基于人口统计学的推荐 | 第14-15页 |
| 2.1.2 基于内容的推荐 | 第15-16页 |
| 2.1.3 基于关联规则的推荐 | 第16页 |
| 2.1.4 基于协同过滤的推荐 | 第16-17页 |
| 2.1.5 基于组合模型的推荐 | 第17页 |
| 2.2 卷积神经网络相关理论 | 第17-19页 |
| 2.2.1 局部连接和权值共享 | 第17-18页 |
| 2.2.2 卷积神经网络模型训练 | 第18-19页 |
| 2.3 本章小结 | 第19-20页 |
| 第三章 协同过滤推荐算法研究 | 第20-44页 |
| 3.1 数据介绍及数据分析处理 | 第20-22页 |
| 3.1.1 数据介绍 | 第20-21页 |
| 3.1.2 数据分析处理 | 第21-22页 |
| 3.2 基于用户的协同过滤推荐算法 | 第22-37页 |
| 3.2.1 算法原理 | 第22-25页 |
| 3.2.2 算法实现 | 第25-34页 |
| 3.2.3 算法改进 | 第34-37页 |
| 3.3 基于物品的协同过滤推荐算法 | 第37-43页 |
| 3.3.1 算法原理 | 第37-38页 |
| 3.3.2 算法实现 | 第38-41页 |
| 3.3.3 算法改进 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于VGG16卷积神经网络特征提取的推荐 | 第44-58页 |
| 4.1 数据介绍及数据处理 | 第44-45页 |
| 4.2 VGG16模型结构 | 第45-49页 |
| 4.2.1 卷积层 | 第46-47页 |
| 4.2.2 池化层 | 第47-48页 |
| 4.2.3 全连接层 | 第48页 |
| 4.2.4 softmax层 | 第48-49页 |
| 4.3 VGG16特征提取 | 第49-54页 |
| 4.3.1 数据输入 | 第49-50页 |
| 4.3.2 卷积 | 第50-53页 |
| 4.3.3 池化 | 第53-54页 |
| 4.4 相似计算并推荐 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 基于卷积神经网络图像分类的推荐 | 第58-70页 |
| 5.1 数据介绍及数据处理 | 第58页 |
| 5.2 建立模型 | 第58-62页 |
| 5.2.1 模型选取 | 第58-59页 |
| 5.2.2 过拟合问题 | 第59-60页 |
| 5.2.3 激活函数 | 第60页 |
| 5.2.4 模型结构 | 第60-62页 |
| 5.3 模型训练 | 第62-65页 |
| 5.4 结果与分析 | 第65-69页 |
| 5.5 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 总结 | 第70页 |
| 展望 | 第70-72页 |
| 参考文献 | 第72-74页 |
| 攻读学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75页 |
