基于用户画像和因子分解机的推荐算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 个性化推荐算法的研究现状 | 第11-12页 |
| 1.2.2 电影推荐的研究现状 | 第12-14页 |
| 1.2.3 用户画像的研究现状 | 第14-15页 |
| 1.3 主要研究内容与论文结构 | 第15-17页 |
| 第2章 相关技术研究 | 第17-28页 |
| 2.1 个性化推荐 | 第17-21页 |
| 2.1.1 基于内容的推荐算法 | 第17页 |
| 2.1.2 协同过滤推荐算法 | 第17-19页 |
| 2.1.3 推荐算法的评测指标 | 第19-21页 |
| 2.2 用户画像相关技术研究 | 第21-23页 |
| 2.2.1 构建用户画像的信息来源 | 第21-22页 |
| 2.2.2 用户画像的常用提取方法 | 第22-23页 |
| 2.3 主题模型 | 第23-26页 |
| 2.3.1 PLSA模型 | 第24-25页 |
| 2.3.2 LDA模型 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 结合主题模型和用户属性的用户画像建模 | 第28-42页 |
| 3.1 用户画像建模算法总体框架 | 第28-29页 |
| 3.2 用户自然属性信息的验证与推断 | 第29-31页 |
| 3.3 基于LDA的用户兴趣建模 | 第31-33页 |
| 3.4 结合兴趣和自然属性的用户画像建模 | 第33-36页 |
| 3.4.1 基于LDA-JSD的用户聚类 | 第34-35页 |
| 3.4.2 用户画像建模 | 第35-36页 |
| 3.5 实验与分析 | 第36-40页 |
| 3.5.1 实验数据获取 | 第36页 |
| 3.5.2 数据预处理 | 第36页 |
| 3.5.3 实验设计 | 第36-37页 |
| 3.5.4 实验结果 | 第37-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于用户画像和因子分解机的推荐算法 | 第42-60页 |
| 4.1 FM算法 | 第42-48页 |
| 4.1.1 模型表示 | 第42-43页 |
| 4.1.2 复杂度计算 | 第43-44页 |
| 4.1.3 模型学习 | 第44-48页 |
| 4.2 基于用户画像和因子分解机建模 | 第48-54页 |
| 4.2.1 特征提取 | 第48-50页 |
| 4.2.2 多类别特征选择 | 第50-51页 |
| 4.2.3 输入格式转化 | 第51-53页 |
| 4.2.4 UP-FM模型训练 | 第53-54页 |
| 4.3 实验与分析 | 第54-58页 |
| 4.3.1 实验数据与预处理 | 第54-55页 |
| 4.3.2 评价指标 | 第55-56页 |
| 4.3.3 实验对比与评估 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 攻读硕士学位期间所取得的研究成果 | 第66-68页 |
| 致谢 | 第68-69页 |
