面向稀疏评分数据中用户偏好发现的隐变量模型构建与推理
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 缺失评分值填补 | 第11-12页 |
| 1.2.2 隐变量模型构建 | 第12-13页 |
| 1.2.3 用户偏好发现 | 第13页 |
| 1.3 本文主要研究内容 | 第13-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 基础知识 | 第18-26页 |
| 2.1 贝叶斯网简介 | 第18-21页 |
| 2.1.1 互信息简介 | 第18-19页 |
| 2.1.2 贝叶斯网定义 | 第19-21页 |
| 2.2 隐变量模型简介 | 第21-22页 |
| 2.3 BMF模型简介 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 稀疏评分数据中的隐变量模型构建 | 第26-42页 |
| 3.1 模型相关定义 | 第26-27页 |
| 3.1.1 CBN和CBNL模型定义 | 第26-27页 |
| 3.1.2 用户偏好定义 | 第27页 |
| 3.2 缺失评分值填补 | 第27-30页 |
| 3.3 CBN模型构建 | 第30-35页 |
| 3.4 CBNL模型构建 | 第35-37页 |
| 3.5 条件概率参数计算 | 第37-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 面向偏好发现的CBNL概率推理 | 第42-50页 |
| 4.1 Gibbs采样基于BN推理的原理 | 第42-44页 |
| 4.2 Gibbs采样的基本思想 | 第44页 |
| 4.3 CBNL模型的近似推理 | 第44-46页 |
| 4.4 基于CBNL模型的用户偏好计算 | 第46-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 实验结果分析 | 第50-58页 |
| 5.1 实验设置 | 第50页 |
| 5.2 缺失评分值填补 | 第50-52页 |
| 5.3 构建CBNL的效率 | 第52-54页 |
| 5.4 CBNL推理效率 | 第54-55页 |
| 5.5 用户偏好的准确性 | 第55-57页 |
| 5.6 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 附录 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68页 |
