基于机器学习的推荐技术研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第9-13页 |
| ·课题的研究背景和意义 | 第9页 |
| ·国内外研究现状及面临问题 | 第9-11页 |
| ·国内外研究现状 | 第9-10页 |
| ·研究面临的问题 | 第10-11页 |
| ·本文的研究内容和结构 | 第11-13页 |
| 第2章 推荐系统常用技术 | 第13-19页 |
| ·推荐系统框架 | 第13页 |
| ·常用推荐算法 | 第13-17页 |
| ·基于内容的推荐算法 | 第14页 |
| ·基于协同过滤的推荐系统算法 | 第14-17页 |
| ·推荐系统评价标准 | 第17-18页 |
| ·均方根误差与平均绝对误差 | 第17页 |
| ·F1-Measure评估指标与ROC曲线 | 第17-18页 |
| ·平均正确率均值 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第3章 机器学习算法 | 第19-29页 |
| ·逻辑回归算法 | 第19-21页 |
| ·梯度迭代决策树算法 | 第21-23页 |
| ·决策树 | 第21-23页 |
| ·梯度迭代回归树 | 第23页 |
| ·因子分解机算法 | 第23-25页 |
| ·因子分解机模型 | 第24页 |
| ·因子分解机的参数学习 | 第24-25页 |
| ·卷积神经网络算法 | 第25-27页 |
| ·CNN的整体架构 | 第25-26页 |
| ·卷积与池化 | 第26-27页 |
| ·本章小结 | 第27-29页 |
| 第4章 基于融合技术与深度学习的推荐系统构建 | 第29-47页 |
| ·推荐系统中的混合技术 | 第29-30页 |
| ·基于混合技术的推荐系统 | 第30-36页 |
| ·整体框架 | 第30-32页 |
| ·基于滑窗与探索性数据分析的样本构建 | 第32-35页 |
| ·基于瀑布式混合策略的数据过滤 | 第35-36页 |
| ·基于深度学习的搭配推荐系统 | 第36-40页 |
| ·整体框架 | 第37页 |
| ·基于MapReduce的召回集触发实现 | 第37-39页 |
| ·基于卷积神经网络的排序修正 | 第39-40页 |
| ·实验结果与分析 | 第40-45页 |
| ·实验平台与数据 | 第40-42页 |
| ·实验结果 | 第42-45页 |
| ·本章小结 | 第45-47页 |
| 第5章 随机森林改进算法 | 第47-55页 |
| ·随机森林原理 | 第47-48页 |
| ·基于不平衡样本的随机森林改进算法 | 第48-52页 |
| ·面向不平衡数据的随机森林子空间选择 | 第49-50页 |
| ·基于先验的样本空间定向采样 | 第50-51页 |
| ·基于分类强度的分层特征空间选择自适应算法 | 第51-52页 |
| ·实验结果与分析 | 第52-54页 |
| ·本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| ·论文工作总结 | 第55页 |
| ·下一步工作 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 作者简介及科研成果 | 第61-62页 |
| 致谢 | 第62页 |
