基于深度学习的个性化推荐系统研究
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.1.1 推荐系统的背景意义 | 第7-8页 |
| 1.1.2 深度学习的背景意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 传统推荐算法 | 第8-10页 |
| 1.2.2 基于深度学习的推荐算法 | 第10页 |
| 1.3 论文主要工作 | 第10页 |
| 1.4 论文的章节安排 | 第10-12页 |
| 第二章 相关背景知识 | 第12-24页 |
| 2.1 推荐系统基础 | 第12页 |
| 2.2 基于内容的推荐算法 | 第12-14页 |
| 2.3 基于协同过滤的推荐算法 | 第14-18页 |
| 2.4 神经网络概述 | 第18-20页 |
| 2.5 自编码器概述 | 第20-22页 |
| 2.6 基于自编码器的推荐算法概述 | 第22-24页 |
| 第三章 稀疏数据自编码器的加速训练方法 | 第24-35页 |
| 3.1 稀疏矩阵的传统处理做法 | 第24-27页 |
| 3.2 评分数据的稀疏性分布 | 第27-28页 |
| 3.3 加速方案及tensorflow实现 | 第28-30页 |
| 3.4 实验结果 | 第30-35页 |
| 3.4.1 实验数据集 | 第30页 |
| 3.4.2 实验环境 | 第30页 |
| 3.4.3 对比模型及其评价指标 | 第30-31页 |
| 3.4.4 实验方案及参数设定 | 第31-32页 |
| 3.4.5 稀疏加速优化对训练时间的影响 | 第32页 |
| 3.4.6 稀疏加速优化对模型精确度的影响 | 第32-35页 |
| 第四章 基于深度自编码器的有效推荐方法 | 第35-44页 |
| 4.1 深度模型在训练中遇到的问题 | 第35-37页 |
| 4.2 贪心逐层训练方案 | 第37-39页 |
| 4.3 实验结果 | 第39-44页 |
| 4.3.1 网络层数对模型性能的影响 | 第39-41页 |
| 4.3.2 正则项对模型性能的影响 | 第41-43页 |
| 4.3.3 编码维度对模型性能的影响 | 第43-44页 |
| 第五章 融入附加信息的深度推荐 | 第44-51页 |
| 5.1 单隐层的自编码器的信息融入方案 | 第44-46页 |
| 5.2 深度自编码器的信息融入方案 | 第46-47页 |
| 5.3 实验结果 | 第47-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 6.1 本文工作总结 | 第51页 |
| 6.2 未来工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 个人简历 | 第57-58页 |
| 在学期间的研究成果及发表的学术论文 | 第58页 |
