贝叶斯学习及其在个性化搜索和推荐应用研究
| 摘要 | 第5-7页 |
| 英文摘要 | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 课题研究的意义 | 第11-12页 |
| 1.2 贝叶斯学习理论研究 | 第12-16页 |
| 1.2.1 贝叶斯学习理论概述 | 第12-13页 |
| 1.2.2 贝叶斯学习与机器学习 | 第13-14页 |
| 1.2.3 相关法则 | 第14-15页 |
| 1.2.4 贝叶斯理论应用 | 第15-16页 |
| 1.3 本文研究内容及结构安排 | 第16-17页 |
| 2 贝叶斯分类器在个性化搜索应用 | 第17-30页 |
| 2.1 贝叶斯分类器 | 第17-20页 |
| 2.1.1 贝叶斯最优分类器 | 第17-18页 |
| 2.1.2 朴素贝叶斯分类器 | 第18-19页 |
| 2.1.3 m -估计方法 | 第19-20页 |
| 2.2 个性化搜索 | 第20-21页 |
| 2.2.1 个性化搜索应用 | 第20-21页 |
| 2.2.2 商品分类与个性化搜索 | 第21页 |
| 2.3 分类器在商品分类中应用 | 第21-28页 |
| 2.3.1 分类问题的提出 | 第21-22页 |
| 2.3.2 分类模型建立 | 第22-24页 |
| 2.3.3 分类算法设计 | 第24-26页 |
| 2.3.4 分类算法实现和结果观察 | 第26-28页 |
| 2.4 个性化搜索对分类器结果的应用 | 第28-29页 |
| 2.5 本章总结 | 第29-30页 |
| 3 贝叶斯网在个性化推荐应用 | 第30-47页 |
| 3.1 贝叶斯网络 | 第30-33页 |
| 3.1.1 贝叶斯网络的表示 | 第30-32页 |
| 3.1.2 贝叶斯网络的推理 | 第32页 |
| 3.1.3 贝叶斯网络的学习 | 第32-33页 |
| 3.2 个性化推荐系统 | 第33-37页 |
| 3.2.1 个性化推荐简介 | 第33-34页 |
| 3.2.2 个性化推荐方法 | 第34-36页 |
| 3.2.3 推荐系统与贝叶斯网络 | 第36-37页 |
| 3.3 贝叶斯网在个性化商品推荐应用 | 第37-46页 |
| 3.3.1 相关概念和定义 | 第37-39页 |
| 3.3.2 贝叶斯网推荐算法的提出 | 第39-40页 |
| 3.3.3 商品推荐网络模型的建立 | 第40-43页 |
| 3.3.4 网络的参数学习 | 第43-44页 |
| 3.3.5 基于网络推理的推荐算法设计 | 第44-45页 |
| 3.3.6 算法实现与结果观察 | 第45-46页 |
| 3.4 本章总结 | 第46-47页 |
| 4 总结与展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 致谢 | 第50-51页 |
| 个人简历 | 第51-52页 |
| 攻读硕士学位期间参加科研情况 | 第52-53页 |
