基于机器学习的推荐系统关键技术及其应用研究

声明

第一章 绪 论

1.1 研究的背景与意义

1.2 推荐系统的国内外研究历史与现状

1.2.1 基于传统机器学习的推荐系统研究历史与现状

1.2.2 基于深度学习的推荐系统研究历史与现状

1.2.3 基于机器学习的推荐系统面临的挑战

1.3 本文的主要贡献与创新

1.4 本论文的结构安排

第二章 推荐系统相关技术基础

2.1 推荐系统类型

2.1.1 基于内容的推荐

2.1.2 协同过滤

2.1.3 基于知识领域的推荐

2.1.4 混合推荐

2.2 推荐算法评价标准

2.2.1 评分预测

2.2.2 top-N推荐

2.2.3 用户满意度

2.2.4 覆盖率

2.2.5 多样性

2.2.6 实时性

2.2.7 健壮性

2.3 本章小结

第三章 贝叶斯pairwise排序推荐算法

3.1 概述

3.2 基于one-class协同过滤的贝叶斯pairwise排序

3.2.1 BPLR算法模型

3.2.2 模型优化

3.2.3 动态采样算法

3.2.4 模型收敛性证明

3.3 实验评估

3.3.1 实验设置

3.3.2 实验评估方法

3.3.3 对比算法

3.3.4 实验结果分析比较

3.3.5 讨论

3.4 本章小结

第四章 融合社交网络和兴趣偏好的推荐技术

4.1 概述

4.2 用户兴趣偏好分析与建模

4.2.1 社交网络划分及用户兴趣偏好分析

4.2.2 SRMP建模

4.2.3 模型优化

4.3 实验评估及分析

4.3.1 实验设置

4.3.2 对比算法

4.3.3 实验结果及分析

4.3.4 讨论

4.4 本章小结

第五章 基于用户兴趣偏好的深度推荐方法

5.1 概述

5.2 推荐选项的生成

5.2.1 用户兴趣探索

5.2.2 CNN结构

5.2.3 DLMR矩阵分解模型

5.3 推荐选项的重排序

5.4 实验评估及分析

5.4.1 实验设置

5.4.2 实验结果及分析

5.4.3 讨论

5.5 本章小结

第六章 大规模社交推荐及在线更新

6.1 概述

6.2 大规模社交推荐模型

6.2.1 User-level社交影响力

6.2.2 Item-level聚类

6.2.3 LsRec推荐模型

6.2.4 收敛性分析

6.2.5 在线增量更新

6.2.6 计算复杂性分析

6.3 实验评估及分析

6.3.1 数据集

6.3.2 对比算法

6.3.3 实验设置

6.3.4 实验结果对比

6.3.5 在线推荐性能

6.3.6 讨论

6.4 本章小结

第七章 全文总结与展望

7.1 全文总结

7.2 后续工作展望

致谢

参考文献

攻读博士学位期间取得的成果