基于GPU和内容标签的个性化推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 研究现状 | 第9-10页 |
| 1.3 本文的主要工作 | 第10-11页 |
| 1.4 本文的结构安排 | 第11-12页 |
| 第二章 推荐技术 | 第12-21页 |
| 2.1 推荐系统介绍 | 第12页 |
| 2.2 推荐技术分类 | 第12-14页 |
| 2.3 协同过滤推荐技术 | 第14-17页 |
| 2.3.1 基于相似用户的推荐 | 第14-16页 |
| 2.3.2 基于相似条目的推荐 | 第16-17页 |
| 2.4 基于内容的推荐技术 | 第17-18页 |
| 2.5 标签系统 | 第18-20页 |
| 2.5.1 标签系统模型 | 第19-20页 |
| 2.5.2 社会化标签的特点和不足 | 第20页 |
| 2.6 本章小结 | 第20-21页 |
| 第三章 CUDA 技术 | 第21-26页 |
| 3.1 GPU 通用计算 | 第21页 |
| 3.2 CUDA 编程模型 | 第21-22页 |
| 3.3 CUDA 软件体系 | 第22-23页 |
| 3.4 CUDA 存储器模型 | 第23-24页 |
| 3.5 本章小结 | 第24-26页 |
| 第四章 基于内容标签的个性化推荐系统 | 第26-36页 |
| 4.1 基于内容标签的个性化推荐模型 | 第26-27页 |
| 4.2 基于内容标签的推荐引擎 | 第27-31页 |
| 4.2.1 用户兴趣模型分析 | 第27-29页 |
| 4.2.2 基于标签网络的用户多兴趣建模 | 第29页 |
| 4.2.3 基于内容标签的算法描述 | 第29-30页 |
| 4.2.4 基于内容标签的算法分析 | 第30-31页 |
| 4.3 基于内容的推荐引擎 | 第31-33页 |
| 4.3.1 基于内容的算法描述 | 第31-32页 |
| 4.3.2 基于内容的算法分析 | 第32-33页 |
| 4.4 基于协同过滤的推荐引擎 | 第33-34页 |
| 4.4.1 基于协同过滤的算法描述 | 第33-34页 |
| 4.4.2 基于协同过滤的算法分析 | 第34页 |
| 4.5 标准化处理器 | 第34-35页 |
| 4.6 本章小结 | 第35-36页 |
| 第五章 基于 GPU 的个性化推荐算法优化 | 第36-40页 |
| 5.1 grid 和 block 的维度设计 | 第36-37页 |
| 5.2 共享存储器优化 | 第37页 |
| 5.3 指令流优化 | 第37-39页 |
| 5.4 循环展开的优化 | 第39页 |
| 5.5 本章小结 | 第39-40页 |
| 第六章 实验结果与分析 | 第40-43页 |
| 6.1 个性化推荐算法的对比实验 | 第40-41页 |
| 6.2 GPU 并行化下的加速效果实验 | 第41-42页 |
| 6.3 本章小结 | 第42-43页 |
| 第七章 总结与展望 | 第43-45页 |
| 7.1 工作总结 | 第43页 |
| 7.2 展望 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 附录 A 攻读学位其间发表的论文 | 第49-50页 |
| 详细摘要 | 第50-54页 |
