基于评论文本分析的推荐系统研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-21页 |
| 1.1 .研究背景和意义 | 第8-9页 |
| 1.2 .国内外研究现状 | 第9-16页 |
| 1.2.1 .评论文本分析的研究现状 | 第9-10页 |
| 1.2.2 .推荐系统的研究现状 | 第10-13页 |
| 1.2.3 .结合评论文本的推荐系统的研究现状 | 第13-16页 |
| 1.3 .本文的研究内容 | 第16-19页 |
| 1.3.1 .本文的研究对象和研究问题 | 第16-17页 |
| 1.3.2 .本文的研究任务和研究方法 | 第17-18页 |
| 1.3.3 .本文的研究工具和实验数据 | 第18页 |
| 1.3.4 .本文的创新点 | 第18-19页 |
| 1.4 .本文的组织结构安排 | 第19-21页 |
| 第二章 评论文本的处理 | 第21-37页 |
| 2.1 .中文评论的预处理和统计分析 | 第21-23页 |
| 2.2 .基于特征级观点挖掘的中文评论嵌入表示 | 第23-28页 |
| 2.3 .基于深度神经网络的评论嵌入表示 | 第28-34页 |
| 2.4 .两种评论嵌入表示方法的比较 | 第34-35页 |
| 2.5 .本章小结 | 第35-37页 |
| 第三章 评分矩阵的建模 | 第37-46页 |
| 3.1 .评分矩阵的统计特性 | 第37-38页 |
| 3.2 .基于前馈神经网络回归模型的评分矩阵建模 | 第38-40页 |
| 3.3 .隐因子模型 | 第40-45页 |
| 3.4 .本章小结 | 第45-46页 |
| 第四章 基于概率图的模型融合 | 第46-52页 |
| 4.1 .概率假设 | 第46-48页 |
| 4.2 .与概率图模型等价的神经网络推荐模型 | 第48-50页 |
| 4.3 .实验和分析 | 第50-51页 |
| 4.4 .本章小结 | 第51-52页 |
| 第五章 基于多任务学习的模型融合 | 第52-64页 |
| 5.1 .多任务学习的概念 | 第52-53页 |
| 5.2 .隐因子-文档向量的共同学习模型 | 第53-55页 |
| 5.3 .实验和分析 | 第55-61页 |
| 5.4 .嵌入表示的可视化 | 第61-63页 |
| 5.5 .本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 .本文工作总结 | 第64-65页 |
| 6.2 .未来工作展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读学位期间的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
