| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 本文主要研究内容 | 第10-11页 |
| 1.2.1 基于词嵌入构建用户商品分布式表征 | 第10-11页 |
| 1.2.2 降维优化的混合推荐算法 | 第11页 |
| 1.2.3 基于循环神经网络的推荐算法 | 第11页 |
| 1.3 论文组织结构 | 第11-13页 |
| 第2章 相关工作综述 | 第13-19页 |
| 2.1 词嵌入 | 第13-15页 |
| 2.2 特征提取 | 第15页 |
| 2.3 传统推荐算法 | 第15-17页 |
| 2.4 非传统推荐算法 | 第17页 |
| 2.5 Spark分布式平台 | 第17-18页 |
| 2.6 整体方法对比总结 | 第18页 |
| 2.7 本章小结 | 第18-19页 |
| 第3章 基于词嵌入构建用户商品分布式表征 | 第19-29页 |
| 3.1 基于邻域的协同过滤推荐算法 | 第20-21页 |
| 3.2 融合文本的分布式表征 | 第21-24页 |
| 3.2.1 Word2Vec算法 | 第21-22页 |
| 3.2.2 Paragraph2Vec算法 | 第22-23页 |
| 3.2.3 融合段向量的改进协同过滤算法 | 第23-24页 |
| 3.3 实验与分析 | 第24-28页 |
| 3.3.1 数据集 | 第24-27页 |
| 3.3.2 评估指标 | 第27页 |
| 3.3.3 实验结果分析 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第4章 降维优化的混合推荐算法 | 第29-37页 |
| 4.1 融合PCA与CF的混合推荐模型 | 第29-31页 |
| 4.1.1 相似性度量 | 第30页 |
| 4.1.2 基于PCA的降维方法 | 第30-31页 |
| 4.1.3 融合PCA与CF的混合推荐技术 | 第31页 |
| 4.2 实验分析 | 第31-35页 |
| 4.2.1 数据集 | 第31-32页 |
| 4.2.2 评价指标 | 第32页 |
| 4.2.3 对比实验 | 第32-35页 |
| 4.3 本章小结 | 第35-37页 |
| 第5章 基于循环神经网络的推荐算法 | 第37-53页 |
| 5.1 推荐中的深度学习 | 第38-41页 |
| 5.1.1 神经网络权重模型 | 第38页 |
| 5.1.2 神经网络权重模型优化算法 | 第38-41页 |
| 5.2 构建时间序列数据 | 第41-48页 |
| 5.2.1 数据分析 | 第41-44页 |
| 5.2.2 循环神经网络模型 | 第44-45页 |
| 5.2.3 用户行为时间序列数据 | 第45-47页 |
| 5.2.4 评测指标 | 第47-48页 |
| 5.3 实验分析 | 第48-51页 |
| 5.3.1 基于循环神经网络推荐算法的分布式运行环境 | 第49-50页 |
| 5.3.2 循环网络超参数分析 | 第50-51页 |
| 5.4 本章小结 | 第51-53页 |
| 第6章 应用系统实例 | 第53-57页 |
| 6.1 系统总体设计 | 第53-54页 |
| 6.2 系统功能模块 | 第54页 |
| 6.3 个性化推荐系统 | 第54-56页 |
| 6.4 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 攻读硕士学位期间发表论文 | 第63-65页 |
| 致谢 | 第65页 |