基于张量分解并融合上下文的推荐算法研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究目标及研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 1.5 本章总结 | 第16-18页 |
| 第二章 相关技术背景介绍 | 第18-32页 |
| 2.1 基于<用户,商品>的推荐算法 | 第18-25页 |
| 2.1.1 算法流程简述 | 第18-19页 |
| 2.1.2 基于人口统计学的推荐算法 | 第19-20页 |
| 2.1.3 基于内容的推荐算法 | 第20-21页 |
| 2.1.4 协同过滤算法 | 第21-23页 |
| 2.1.5 关系矩阵的计算 | 第23-25页 |
| 2.2 基于多维张量的推荐算法 | 第25-30页 |
| 2.2.1 算法流程简述 | 第25-27页 |
| 2.2.2 高阶奇异值分解算法 | 第27-28页 |
| 2.2.3 成对张量分解算法 | 第28-30页 |
| 2.3 本章总结 | 第30-32页 |
| 第三章 加入时间上下文的张量推荐算法 | 第32-54页 |
| 3.1 加入时间上下文的可行性 | 第32-34页 |
| 3.1.1 验证过程 | 第32-34页 |
| 3.1.2 结果及分析 | 第34页 |
| 3.2 时间信息处理 | 第34-38页 |
| 3.2.1 时间上下文数据分析 | 第34-35页 |
| 3.2.2 遗忘函数设计 | 第35-38页 |
| 3.3 算法设计 | 第38-43页 |
| 3.3.1 矩阵分解算法 | 第38-39页 |
| 3.3.2 符号表示 | 第39-40页 |
| 3.3.3 PITF张量分解模型 | 第40-41页 |
| 3.3.4 算法流程 | 第41-43页 |
| 3.4 实验验证及分析 | 第43-52页 |
| 3.4.1 实验数据集分析 | 第43-44页 |
| 3.4.2 评估方法 | 第44-45页 |
| 3.4.3 实验结果及分析 | 第45-52页 |
| 3.5 本章总结 | 第52-54页 |
| 第四章 加入社交关系的张量推荐算法 | 第54-68页 |
| 4.1 加入社交关系的可行性 | 第54-55页 |
| 4.1.1 验证过程 | 第54-55页 |
| 4.1.2 结果及分析 | 第55页 |
| 4.2 社交关系信息处理 | 第55-57页 |
| 4.3 算法设计 | 第57-60页 |
| 4.3.1 社交关系深度设计 | 第57-58页 |
| 4.3.2 算法流程 | 第58-60页 |
| 4.4 实验验证及分析 | 第60-66页 |
| 4.5 本章总结 | 第66-68页 |
| 第五章 结束语 | 第68-70页 |
| 5.1 全文总结 | 第68-69页 |
| 5.2 下一步工作展望 | 第69页 |
| 5.3 研究生期间工作及荣誉 | 第69-70页 |
| 5.3.1 发表论文 | 第69页 |
| 5.3.2 荣誉奖励 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 作者攻读学位期间发表的学术论文目录 | 第75页 |
