考虑评论的矩阵分解推荐算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 国内外研究历史与现状 | 第12-16页 |
| 1.3 本文的主要贡献与创新 | 第16-17页 |
| 1.4 本论文的结构安排 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 相关理论与技术 | 第19-33页 |
| 2.1 推荐系统简介 | 第19-20页 |
| 2.2 矩阵分解 | 第20-22页 |
| 2.3 自然语言处理 | 第22-32页 |
| 2.3.1 关键词抽取 | 第22-26页 |
| 2.3.2 主题模型 | 第26-30页 |
| 2.3.3 情感分析 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 从评论中提取可解释特征的算法 | 第33-50页 |
| 3.1 物品评论中包含的信息分析 | 第33-35页 |
| 3.2 物品特征的提取算法 | 第35-45页 |
| 3.2.1 浅层语义特征提取算法RLDA | 第35-40页 |
| 3.2.2 深层语义特征提取算法KAE | 第40-45页 |
| 3.3 用户偏好特征的提取算法TSTUP | 第45-49页 |
| 3.3.1 用户情感分析 | 第46-49页 |
| 3.3.2 维度转换 | 第49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 可解释矩阵分解推荐算法 | 第50-62页 |
| 4.1 传统矩阵分解的问题分析 | 第50-51页 |
| 4.2 可解释矩阵分解模型LSTMF | 第51-54页 |
| 4.3 训练算法与预测 | 第54-56页 |
| 4.4 模型的可扩展性分析 | 第56-58页 |
| 4.5 系统设计与实现 | 第58-61页 |
| 4.5.1 系统模块设计 | 第58-59页 |
| 4.5.2 模型模块设计 | 第59-60页 |
| 4.5.3 接口使用范例 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 实验结果及分析 | 第62-70页 |
| 5.1 实验环境 | 第62页 |
| 5.2 实验数据 | 第62-66页 |
| 5.3 评估指标 | 第66-67页 |
| 5.4 实验设计及结果分析 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 全文总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 未来展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |
