基于树模型的个性化推荐研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-12页 |
| 1 引言 | 第12-20页 |
| 1.1 课题的研究背景及意义 | 第12-14页 |
| 1.2 推荐技术的研究现状 | 第14-18页 |
| 1.2.1 面向用户的推荐技术 | 第14-16页 |
| 1.2.2 面向商家的推荐技术 | 第16-18页 |
| 1.3 本文的研究工作 | 第18页 |
| 1.4 论文安排 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 2 树模型 | 第20-25页 |
| 2.1 决策树模型 | 第20-22页 |
| 2.1.1 ID3模型 | 第20-21页 |
| 2.1.2 C4.5模型 | 第21页 |
| 2.1.3 CART模型 | 第21-22页 |
| 2.2 集成树模型 | 第22-24页 |
| 2.2.1 RF模型 | 第22-23页 |
| 2.2.2 GBDT模型 | 第23页 |
| 2.2.3 DART模型 | 第23-24页 |
| 2.3 本章小结 | 第24-25页 |
| 3 基于GBDT的商品分配层次化预测模型 | 第25-34页 |
| 3.1 基于商品数据的处理 | 第25-28页 |
| 3.1.1 问题描述 | 第25页 |
| 3.1.2 特征提取 | 第25-26页 |
| 3.1.3 特征选择 | 第26-28页 |
| 3.2 层次化GBDT预测模型 | 第28-29页 |
| 3.2.1 GBDT模型 | 第28页 |
| 3.2.2 HGBDT模型 | 第28-29页 |
| 3.3 实验结果对比 | 第29-33页 |
| 3.3.1 实验数据和设置 | 第29-31页 |
| 3.3.2 预处理 | 第31-32页 |
| 3.3.3 模型选择结果对比 | 第32页 |
| 3.3.4 特征选择结果对比 | 第32页 |
| 3.3.5 规则结果对比 | 第32-33页 |
| 3.3.6 模型集成结果对比 | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 基于去偏DART集成模型的个性化推荐研究 | 第34-44页 |
| 4.1 基于用户信息的个性化表征 | 第34-37页 |
| 4.1.1 问题描述 | 第34-35页 |
| 4.1.2 用户特征 | 第35页 |
| 4.1.3 商品特征 | 第35-36页 |
| 4.1.4 用户-商品交互特征 | 第36-37页 |
| 4.1.5 基于稀疏编码的表征 | 第37页 |
| 4.2 基于去偏的DART预测模型 | 第37-40页 |
| 4.2.1 DART算法流程 | 第38-39页 |
| 4.2.2 去偏的DART集成模型 | 第39-40页 |
| 4.3 实验结果对比 | 第40-43页 |
| 4.3.1 实验数据和评价函数 | 第40-41页 |
| 4.3.2 模型对比 | 第41-42页 |
| 4.3.3 行为特征实验对比 | 第42页 |
| 4.3.4 原始行为特征和个性化表征对比 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 基于重要性排序的DART模型研究 | 第44-52页 |
| 5.1 DART问题描述 | 第44-45页 |
| 5.2 重要性排序 | 第45-46页 |
| 5.2.1 基于重要性排序模型 | 第45-46页 |
| 5.2.2 算法流程 | 第46页 |
| 5.3 实验结果对比 | 第46-48页 |
| 5.3.1 实验设置 | 第46-47页 |
| 5.3.2 模型对比 | 第47-48页 |
| 5.4 辅助实验对比 | 第48-52页 |
| 5.4.1 实验数据 | 第48-49页 |
| 5.4.2 方法对比 | 第49-50页 |
| 5.4.3 模型参数对比 | 第50-51页 |
| 5.4.4 本章小结 | 第51-52页 |
| 6 结论 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第58-60页 |
| 学位论文数据集 | 第60页 |
