面向农业社区的群体兴趣建模与推荐算法研究
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 复杂网络社区发现研究现状 | 第14-15页 |
| 1.2.2 用户兴趣建模研究现状 | 第15-16页 |
| 1.2.3 个性化推荐服务研究现状 | 第16-19页 |
| 1.3 研究主要内容 | 第19-20页 |
| 1.4 技术路线 | 第20-21页 |
| 1.5 论文组织结构 | 第21-22页 |
| 第二章 相关基础理论与技术 | 第22-34页 |
| 2.1 社区发现相关算法 | 第22-24页 |
| 2.1.1 社区发现概述 | 第22-23页 |
| 2.1.2 自动编码器 | 第23-24页 |
| 2.2 兴趣建模相关算法 | 第24-28页 |
| 2.2.1 兴趣模型表示法 | 第24-26页 |
| 2.2.2 LDA主题模型概述 | 第26-28页 |
| 2.2.3 TextRank算法 | 第28页 |
| 2.3 常见推荐算法 | 第28-33页 |
| 2.3.1 基于内容推荐算法 | 第28-29页 |
| 2.3.2 基于关联规则推荐算法 | 第29-30页 |
| 2.3.3 基于协同过滤推荐算法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 改进深度稀疏自动编码器的农业社区发现 | 第34-47页 |
| 3.1 算法原理及流程 | 第34-35页 |
| 3.2 数据预处理 | 第35-37页 |
| 3.3 特征提取 | 第37-39页 |
| 3.3.1 问题分析 | 第37页 |
| 3.3.2 平滑范数 | 第37-38页 |
| 3.3.3 构建基于平滑范数的深度稀疏自动编码器 | 第38-39页 |
| 3.4 实验与分析 | 第39-45页 |
| 3.4.1 实验数据描述 | 第39-40页 |
| 3.4.2 实验环境与评价指标 | 第40-41页 |
| 3.4.3 实验结果及分析 | 第41-45页 |
| 3.5 本章小节 | 第45-47页 |
| 第四章 面向农业社区用户的群体兴趣模型构建 | 第47-60页 |
| 4.1 兴趣模型构建原理与流程 | 第47-48页 |
| 4.2 改进的标签标注方法 | 第48-52页 |
| 4.2.1 问题分析 | 第48-49页 |
| 4.2.2 初始标签提取 | 第49-51页 |
| 4.2.3 标注标签推荐 | 第51-52页 |
| 4.2.4 融合标签提取与标签推荐 | 第52页 |
| 4.3 群体兴趣模型构建与更新 | 第52-54页 |
| 4.3.1 兴趣模型构建 | 第52-53页 |
| 4.3.2 兴趣模型更新 | 第53-54页 |
| 4.4 实验与分析 | 第54-59页 |
| 4.4.1 实验数据集与实验环境 | 第54-55页 |
| 4.4.2 度量标准 | 第55-56页 |
| 4.4.3 实验结果及分析 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 第五章 面向农业社区的信息混合推荐算法研究 | 第60-71页 |
| 5.1 基于社区群体兴趣热门标签信息推荐算法研究 | 第60-61页 |
| 5.2 基于社区用户关系挖掘的协同过滤算法研究 | 第61-65页 |
| 5.2.1 用户信任关系挖掘 | 第61-63页 |
| 5.2.2 用户相似度计算 | 第63页 |
| 5.2.3 改进的最近邻计算 | 第63-64页 |
| 5.2.4 推荐预测 | 第64-65页 |
| 5.3 混合推荐算法研究 | 第65-66页 |
| 5.4 实验与分析 | 第66-70页 |
| 5.4.1 实验数据 | 第66页 |
| 5.4.2 实验环境与度量指标 | 第66-67页 |
| 5.4.3 实验方案 | 第67-68页 |
| 5.4.4 实验结果及分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 致谢 | 第78-79页 |
| 个人简历 | 第79页 |
