基于深度神经网络的推荐模型研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及面临问题 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10-12页 |
| 1.2.2 面临的问题 | 第12页 |
| 1.3 本文工作 | 第12-13页 |
| 1.4 本文结构 | 第13-14页 |
| 2 推荐系统常用技术 | 第14-23页 |
| 2.1 推荐系统概念 | 第14页 |
| 2.2 常用推荐算法 | 第14-20页 |
| 2.2.1 基于内容的推荐算法 | 第14-16页 |
| 2.2.2 基于协同过滤的推荐算法 | 第16-20页 |
| 2.2.3 混合推荐算法 | 第20页 |
| 2.3 推荐系统评价指标标准 | 第20-21页 |
| 2.3.1 准确性指标 | 第20-21页 |
| 2.3.2 分类准确度 | 第21页 |
| 2.3.3 其他评价指标 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 3 深度神经网络 | 第23-31页 |
| 3.1 神经网络 | 第23-25页 |
| 3.2 卷积神经网络 | 第25-28页 |
| 3.2.1 CNN的整体架构 | 第25-26页 |
| 3.2.2 卷积与池化 | 第26-27页 |
| 3.2.3 文本卷积神经网络 | 第27-28页 |
| 3.3 Word2vec介绍 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 基于深度神经网络的推荐模型 | 第31-46页 |
| 4.1 考虑用户和项目辅助信息的深度协同模型 | 第31-36页 |
| 4.1.1 获取用户和项目属性特征 | 第32-33页 |
| 4.1.2 卷积神经网络获得文本特征 | 第33-35页 |
| 4.1.3 项目的属性特征和文本特征进行结合 | 第35页 |
| 4.1.4 用户和项目特征输入多层感知机 | 第35-36页 |
| 4.2 实验设计与结果分析 | 第36-45页 |
| 4.2.1 数据集介绍与处理 | 第36-37页 |
| 4.2.2 实验环境 | 第37页 |
| 4.2.3 评价标准 | 第37-38页 |
| 4.2.4 实验内容 | 第38-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5 改进的基于深度神经网络的推荐模型 | 第46-57页 |
| 5.1 栈式降噪自动编码器 | 第46-48页 |
| 5.2 基于SDAE和MLP的推荐模型 | 第48-52页 |
| 5.2.1 SDAE获得特征向量的原理 | 第49-50页 |
| 5.2.2 SDAE得到用户和项目特征 | 第50-51页 |
| 5.2.3 项目的描述文档加入到项目特征中 | 第51页 |
| 5.2.4 评分预测 | 第51-52页 |
| 5.3 实验结果与分析 | 第52-56页 |
| 5.4 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-58页 |
| 6.1 全文总结 | 第57页 |
| 6.2 未来工作研究 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63-64页 |
