基于特征的矩阵分解模型
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 表格索引 | 第8-9页 |
| 插图索引 | 第9-10页 |
| 第一章 引言 | 第10-14页 |
| ·矩阵分解算法与协同过滤 | 第10-11页 |
| ·协同过滤存在的挑战 | 第11-12页 |
| ·本文的贡献 | 第12-14页 |
| 第二章 预备知识 | 第14-18页 |
| ·矩阵分解模型 | 第14-15页 |
| ·学习目标 | 第15-17页 |
| ·回归问题的代价函数 | 第15页 |
| ·分类问题的代价函数 | 第15-16页 |
| ·排序问题的代价函数 | 第16-17页 |
| ·学习算法 | 第17-18页 |
| 第三章 基于特征的矩阵分解模型 | 第18-26页 |
| ·模型定义 | 第18-20页 |
| ·模型训练 | 第20-22页 |
| ·随机梯度下降法 | 第20页 |
| ·加速的用户反馈模型训练 | 第20-22页 |
| ·相关工作 | 第22-23页 |
| ·算法实现 | 第23-26页 |
| ·大规模数据处理 | 第23-24页 |
| ·工具接口 | 第24-26页 |
| 第四章 模型在Yahoo音乐推荐中的应用 | 第26-36页 |
| ·时间相关信息的整合 | 第27-30页 |
| ·时间相关的用户物品偏差建模 | 第27页 |
| ·基于时间槽的偏差建模 | 第27-28页 |
| ·分段线性偏差建模 | 第28页 |
| ·基于时间槽的用户隐变量建模 | 第28-29页 |
| ·分段线性的用户隐变量建模 | 第29页 |
| ·时间中心用户隐变量建模 | 第29-30页 |
| ·阶段打分习惯建模 | 第30页 |
| ·层次化信息的整合 | 第30-33页 |
| ·层次相关偏差 | 第32-33页 |
| ·层次相关的分解模型 | 第33页 |
| ·其它模型扩展 | 第33-34页 |
| ·近邻信息的整合 | 第33-34页 |
| ·隐式反馈信息的整合 | 第34页 |
| ·实验分析 | 第34-36页 |
| 第五章 特征的自动学 | 第36-54页 |
| ·推广的函数式矩阵分解模型 | 第36-41页 |
| ·模型定义 | 第36-37页 |
| ·模型的训练 | 第37-40页 |
| ·分割函数的学习 | 第40-41页 |
| ·具体的特征函数构造算法 | 第41-47页 |
| ·时间相关特征函数 | 第41-44页 |
| ·用户属性相关特征函数 | 第44-46页 |
| ·自动特征学习的优势 | 第46-47页 |
| ·实验分析 | 第47-51页 |
| ·数据集与实验设定 | 第47-48页 |
| ·Movielen上的结果 | 第48-49页 |
| ·Yahoo!Music上的结果 | 第49-50页 |
| ·腾讯微博上的比较 | 第50-51页 |
| ·相关工作 | 第51-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文目录 | 第62-65页 |
| 附件 | 第65页 |
