大规模在线内容推荐系统关键算法的设计与实现
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 推荐算法研究现状 | 第13-15页 |
| 1.2.2 推荐系统架构研究现状 | 第15-16页 |
| 1.3 本论文的主要研究内容 | 第16页 |
| 1.4 本论文的组织结构 | 第16-18页 |
| 2 论文相关知识介绍 | 第18-31页 |
| 2.1 推荐系统的召回算法 | 第18-21页 |
| 2.1.1 关联规则 | 第18-19页 |
| 2.1.2 基于内容的推荐算法 | 第19-20页 |
| 2.1.3 基于标签的推荐算法 | 第20-21页 |
| 2.2 预测排序模型 | 第21-23页 |
| 2.2.1 逻辑回归模型(LR) | 第21-22页 |
| 2.2.2 梯度提升树(GBDT) | 第22-23页 |
| 2.3 特征提取算法 | 第23-25页 |
| 2.3.1 TextRank算法 | 第23-24页 |
| 2.3.2 卡方检验 | 第24-25页 |
| 2.4 推荐系统性能评估方法 | 第25-27页 |
| 2.4.1 离线评测指标 | 第26-27页 |
| 2.4.2 A/B测试 | 第27页 |
| 2.5 机器学习和数据处理平台 | 第27-30页 |
| 2.5.1 Apache Spark框架 | 第27-28页 |
| 2.5.2 Tensorflow框架 | 第28页 |
| 2.5.3 ElasticSearch搜索引擎 | 第28-29页 |
| 2.5.4 Redis缓存 | 第29页 |
| 2.5.5 Flume日志收集系统 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 3 需求分析和系统设计 | 第31-38页 |
| 3.1 需求分析 | 第31-32页 |
| 3.2 框架设计 | 第32-34页 |
| 3.3 系统各层的设计 | 第34-37页 |
| 3.3.1 数据层 | 第34页 |
| 3.3.2 候选集召回层 | 第34-36页 |
| 3.3.3 排序层 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 排序算法设计与实现 | 第38-51页 |
| 4.1 数据处理 | 第38-39页 |
| 4.2 特征工程 | 第39-40页 |
| 4.3 模型训练 | 第40-49页 |
| 4.3.1 逻辑回归算法 | 第41-44页 |
| 4.3.2 梯度提升树的设计与实现 | 第44页 |
| 4.3.3 Wide&Deep模型的设计与实现 | 第44-49页 |
| 4.4 模型选择 | 第49页 |
| 4.5 本章小结 | 第49-51页 |
| 5 召回算法设计与实现 | 第51-59页 |
| 5.1 基于内容的推荐算法的改进与实现 | 第51-54页 |
| 5.1.1 算法设计 | 第52页 |
| 5.1.2 算法实现 | 第52-53页 |
| 5.1.3 效果分析 | 第53-54页 |
| 5.2 基于关联规则的推荐算法的设计与实现 | 第54页 |
| 5.3 基于标签的推荐算法的设计与实现 | 第54-55页 |
| 5.4 基于热点的推荐算法的改进与实现 | 第55-57页 |
| 5.4.1 算法设计 | 第55-56页 |
| 5.4.2 算法实现 | 第56页 |
| 5.4.3 效果分析 | 第56-57页 |
| 5.5 四种推荐算法效果分析 | 第57-58页 |
| 5.6 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-62页 |
| 6.1 本文工作总结 | 第59-61页 |
| 6.1.1 在线推荐系统的设计 | 第59-60页 |
| 6.1.2 推荐算法的优化 | 第60-61页 |
| 6.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67页 |
