基于因子分解模型的推荐技术研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 序言 | 第9-13页 |
| 1 引言 | 第13-18页 |
| 1.1 课题的研究背景及意义 | 第13-15页 |
| 1.2 推荐技术的研究现状 | 第15-16页 |
| 1.3 本文的研究工作 | 第16-17页 |
| 1.4 论文的安排 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 矩阵因子分解模型与协同过滤推荐技术 | 第18-24页 |
| 2.1 矩阵因子分解算法介绍 | 第18-19页 |
| 2.2 协同过滤推荐技术介绍 | 第19-22页 |
| 2.2.1 基于内存的协同过滤 | 第20-21页 |
| 2.2.2 基于模型的协同过滤 | 第21-22页 |
| 2.3 推荐技术面临的挑战 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于关系图邻接矩阵逼近的推荐系统 | 第24-34页 |
| 3.1 基于关系图的相关推荐方法 | 第24-27页 |
| 3.1.1 符号描述 | 第24-25页 |
| 3.1.2 基于用户图的图传递模型 | 第25页 |
| 3.1.3 基于规范化图的非负矩阵分解 | 第25-26页 |
| 3.1.4 应用半监督多标签学习的推荐模型 | 第26页 |
| 3.1.5 基于图约束的矩阵分解模型 | 第26-27页 |
| 3.2 基于关系图邻接矩阵逼近的推荐模型 | 第27-29页 |
| 3.2.1 基于关系图邻接矩阵逼近的推荐框架 | 第27-28页 |
| 3.2.2 模型构建 | 第28页 |
| 3.2.3 模型求解 | 第28-29页 |
| 3.3 实验结果与分析 | 第29-33页 |
| 3.3.1 数据集描述及评价标准 | 第29-30页 |
| 3.3.2 方法对比 | 第30-31页 |
| 3.3.3 模型参数影响 | 第31-32页 |
| 3.3.4 算法收敛性分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 4 强化用户画像区分度的推荐方法 | 第34-42页 |
| 4.1 相关方法介绍 | 第34-36页 |
| 4.1.1 符号描述 | 第34页 |
| 4.1.2 基础的因子分解模型 | 第34-35页 |
| 4.1.3 基于用户聚类的推荐算法 | 第35-36页 |
| 4.2 强化用户画像区分度的推荐模型 | 第36-38页 |
| 4.2.1 强化用户画像区分度的推荐模型的框架 | 第36-37页 |
| 4.2.2 模型构建 | 第37页 |
| 4.2.3 模型求解 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-41页 |
| 4.3.1 数据集描述及评价标准 | 第38页 |
| 4.3.2 方法对比 | 第38-39页 |
| 4.3.3 模型参数影响 | 第39-40页 |
| 4.3.4 算法收敛性分析 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 融合标签信息的因子分解推荐方法 | 第42-49页 |
| 5.1 相关工作介绍 | 第42-43页 |
| 5.1.1 符号介绍 | 第42页 |
| 5.1.2 非负因子分解的推荐 | 第42-43页 |
| 5.1.3 基于标签信息的概率矩阵因子分解 | 第43页 |
| 5.2 融合标签信息的推荐方法介绍 | 第43-46页 |
| 5.2.1 融合标签信息的因子分解的实现框架 | 第44-45页 |
| 5.2.2 模型求解 | 第45-46页 |
| 5.3 实验结果与分析 | 第46-48页 |
| 5.3.1 数据集和实验设置 | 第46页 |
| 5.3.2 评价指标 | 第46-47页 |
| 5.3.3 方法比较 | 第47页 |
| 5.3.4 模型参数影响 | 第47-48页 |
| 5.4 方法小结 | 第48-49页 |
| 6 结论 | 第49-51页 |
| 6.1 工作总结 | 第49页 |
| 6.2 未来展望 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 作者简历 | 第55-57页 |
| 学位论文数据集 | 第57页 |
