首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于深度学习和时间上下文的推荐算法研究

摘要第4-6页
abstract第6-7页
第1章 绪论第11-17页
    1.1 研究背景及意义第11-12页
        1.1.1 研究背景第11页
        1.1.2 研究意义第11-12页
    1.2 研究现状第12-14页
        1.2.1 推荐系统应用第12-13页
        1.2.2 推荐算法研究现状第13-14页
    1.3 本文研究内容和结构安排第14-17页
第2章 个性化推荐的关键技术第17-27页
    2.1 推荐系统的基本概念与结构第17-19页
    2.2 常用的推荐算法第19-26页
        2.2.1 基于内容的推荐算法第19-21页
        2.2.2 协同过滤推荐算法第21-25页
        2.2.3 混合推荐算法第25-26页
    2.3 评价标准第26页
    2.4 本章小结第26-27页
第3章 结合无监督深度置信网络的推荐算法第27-45页
    3.1 深度置信网络的理解第27-33页
        3.1.1 深度学习的思想第27-28页
        3.1.2 深度置信网络结构第28-30页
        3.1.3 训练DBN网络第30-33页
    3.2 结合UDBN的协同过滤推荐算法第33-38页
        3.2.1 应用于协同过滤算法中的无监督深度置信网络结构第34-35页
        3.2.2 结合UDBN的基于用户的协同过滤算法第35-37页
        3.2.3 结合UDBN的基于项目的协同过滤算法第37-38页
    3.3 实验分析第38-43页
        3.3.1 实验环境和数据集第38页
        3.3.2 结果分析第38-43页
    3.4 本章小结第43-45页
第4章 结合时间上下文的协同过滤推荐算法第45-59页
    4.1 时间效应在推荐技术中的影响第45-46页
    4.2 艾宾浩斯遗忘曲线在协同过滤推荐算法中的应用第46-48页
    4.3 物品相关遗忘曲线在协同过滤推荐算法上的应用第48-51页
        4.3.1 物品相关的遗忘曲线函数第48-49页
        4.3.2 结合物品相关遗忘曲线函数的IR-IBCF推荐算法第49-50页
        4.3.3 结合物品相关遗忘曲线函数的UDBN-IR-IBCF推荐算法第50-51页
    4.4 实验分析第51-57页
    4.5 本章小结第57-59页
第5章 总结与展望第59-61页
    5.1 本文工作总结第59-60页
    5.2 未来工作展望第60-61页
参考文献第61-67页
作者简介以及科研成果第67-69页
致谢第69页

论文共69页,点击 下载论文
上一篇:社交网络的影响最大化探究
下一篇:基于集成学习的英文文本分类算法研究