基于深度学习的协同过滤算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.1.1 推荐系统 | 第9-10页 |
| 1.1.2 深度学习 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 推荐系统 | 第11-12页 |
| 1.2.2 深度学习 | 第12-13页 |
| 1.3 研究内容及意义 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 2 推荐系统及深度学习相关理论 | 第15-29页 |
| 2.1 推荐系统综述 | 第15-17页 |
| 2.1.1 推荐系统概念 | 第15页 |
| 2.1.2 推荐系统的主要算法 | 第15-17页 |
| 2.2 协同过滤算法综述 | 第17-21页 |
| 2.2.1 基于用户的协同过滤算法 | 第17-19页 |
| 2.2.2 基于物品的协同过滤算法 | 第19-21页 |
| 2.3 深度学习基本概念 | 第21-23页 |
| 2.4 玻尔兹曼机结构 | 第23-27页 |
| 2.4.1 玻尔兹曼机 | 第23页 |
| 2.4.2 受限玻尔兹曼机 | 第23-25页 |
| 2.4.3 多层玻尔兹曼机结构 | 第25-27页 |
| 2.5 本章小结 | 第27-29页 |
| 3 基于序列挖掘的兴趣点推荐算法 | 第29-35页 |
| 3.1 兴趣点推荐 | 第29-30页 |
| 3.2 POI推荐模型构建 | 第30页 |
| 3.3 算法设计与实现 | 第30-32页 |
| 3.3.1 带偏移的矩阵分解 | 第30-31页 |
| 3.3.2 序列挖掘的推荐算法(SMF) | 第31-32页 |
| 3.3.3 负采样法构建负例 | 第32页 |
| 3.4 实验验证 | 第32-34页 |
| 3.4.1 实验设置及数据集介绍 | 第32-33页 |
| 3.4.2 实验结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 4 基于深度结构模型的协同过滤算法 | 第35-55页 |
| 4.1 应用玻尔兹曼机的协同过滤算法 | 第35-37页 |
| 4.2 结合深度置信网络的协同过滤算法 | 第37-38页 |
| 4.3 多层模型的训练方法 | 第38-39页 |
| 4.3.1 预训练 | 第38-39页 |
| 4.3.2 反馈微调 | 第39页 |
| 4.4 实验验证 | 第39-54页 |
| 4.4.1 系统整体设计 | 第39-40页 |
| 4.4.2 详细设计 | 第40-48页 |
| 4.4.3 评价方法 | 第48-51页 |
| 4.4.4 结果分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文 | 第61-63页 |
| 致谢 | 第63页 |
