声明
摘要
1.1 研究背景
1.2 研究现状
1.2.2 群发消息重要性判断算法
1.2.3 现有群发消息重要性判断工作的不足
1.3 研究问题
1.3.1 基于群发消息重要性判断提升群发消息传播力
1.3.2 考虑协同过滤因素的群发消息重要性判断
1.3.3 考虑多个群发消息列表的群发消息重要性判断
1.3.4 研究问题间的联系
1.4 主要贡献
1.4.1 提出了基于群发消息重要性判断的提及推荐模型
1.4.2 提出了考虑协同过滤因素的群发消息重要性判断算法
1.4.3 提出了考虑多个消息列表的群发消息重要性判断算法
1.5 论文组织构架
第2章 相关工作
2.1.2 提及推荐
2.2 邮件过载与邮件重要性判断
2.2.1 邮件分类
2.2.2 邮件重要性判断
2.3 针对协同过滤推荐模型的主动学习算法
2.3.1 非个性化主动学习算法
2.3.2 个性化主动学习算法
2.4 跨领域推荐
2.4.1 域的定义
2.4.2 域的选择
2.4.3 域间的知识迁移
2.5 本章小结
第3章 基于群发消息重要性判断提升群发消息传播力
3.1 背景
3.2 问题定义
3.3 算法框架
3.3.1 排序特征
3.3.2 相关性定义
3.3.3 排序模型
3.4 实验设计
3.4.1 数据收集
3.4.2 衡量标准
3.4.3 对照算法
3.5 结果与分析
3.5.2 不同特征重要性对比
3.5.3 算法在推荐过载问题上的表现
3.6 实验结果讨论
3.7 本章小结
第4章 考虑协同过滤因素的群发消息重要性判断算法
4.1 背景
4.2 问题定义
4.3 算法框架
4.3.1 收集用户反馈
4.3.2 预测剩余用户的重要性偏好
4.4 实验与分析
4.4.2 数据预处理与分析
4.4.3 对照算法
4.4.4 衡量标准
4.4.5 实验结果与分析
4.5 本章小结
第5章 考虑多个群发消息列表的群发消息重要性判断算法
5.1 背景
5.2 问题定义
5.3 算法框架
5.3.1 收集用户反馈
5.3.3 重要性预测
5.4 最优源域集合的选择
5.4.1 最优策略
5.4.2 近似优化算法
5.4.3 如何提升算法运算效率
5.5 实验与分析
5.5.2 衡量标准
5.5.3 对照算法
5.5.4 结果与分析
5.6 本章小结
第6章 总结与展望
6.1 本文工作总结
6.2 未来工作展望
6.2.1 整合多种群发消息重要性判断算法
6.2.2 将主动学习应用到信息流排序问题
6.2.3 利用深度学习算法进行跨领域推荐
参考文献
攻读博士学位期间的主要研究成果
致谢