基于递归神经网络和分布式表达的推荐算法
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.3 论文研究内容 | 第13-14页 |
| 1.4 论文章节安排 | 第14-15页 |
| 2 基本理论概述 | 第15-25页 |
| 2.1 推荐系统概述 | 第15-16页 |
| 2.2 推荐系统的关键技术 | 第16-20页 |
| 2.2.1 协同过滤推荐 | 第16-18页 |
| 2.2.2 基于内容的推荐 | 第18-19页 |
| 2.2.3 混合推荐 | 第19-20页 |
| 2.3 BP神经网络模型 | 第20-21页 |
| 2.4 递归神经网络的模型 | 第21-22页 |
| 2.5 分布式表达 | 第22-24页 |
| 2.5.1 词的向量表示 | 第22-23页 |
| 2.5.2 神经网络语言模型 | 第23页 |
| 2.5.3 Word2Vec语言模型 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 基于改进的递归神经网络和分布式表达的推荐算法 | 第25-37页 |
| 3.1 算法流程概述 | 第25-26页 |
| 3.2 训练数据集获取和数据清洗 | 第26-28页 |
| 3.2.1 特定类型的训练数据集获取 | 第26-28页 |
| 3.2.2 数据预处理 | 第28页 |
| 3.3 物品向量的分布式表达 | 第28-31页 |
| 3.3.1 算法原理 | 第28-29页 |
| 3.3.2 算法实现 | 第29-31页 |
| 3.4 递归神经网络推荐模型搭建与训练 | 第31-36页 |
| 3.4.1 模型框架 | 第32-35页 |
| 3.4.2 算法的代码部分展示 | 第35-36页 |
| 3.4.3 生成推荐列表 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 实验设计与结果分析 | 第37-46页 |
| 4.1 评价指标 | 第37-38页 |
| 4.1.1 预测精确度 | 第37-38页 |
| 4.1.2 覆盖率 | 第38页 |
| 4.1.3 短期预测正确率 | 第38页 |
| 4.2 数据分割 | 第38-39页 |
| 4.3 递归神经网络推荐模型的参数选择 | 第39-42页 |
| 4.4 算法对比 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 总结及展望 | 第46-48页 |
| 5.1 总结 | 第46页 |
| 5.2 展望 | 第46-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-51页 |
