声明
1 绪 论
1.1 研究背景及意义
1.2 国内外研究概况
1.3 主要研究内容
1.4 论文结构
2 关键技术理论基础
2.1 个性化推荐算法
2.1.1 传统的协同过滤推荐算法
2.1.2 基于模型的协同过滤推荐
2.2 生成对抗网络
2.2.1 生成对抗网络
2.2.2 生成对抗网络在图像领域的应用
2.2.3 生成对抗网络在自然语言处理上的应用
2.3 集成学习
2.3.1 Boosting
2.3.2 Bagging
2.3.3 结合策略
2.4 负采样优化算法
2.5 本章小结
3 基于生成对抗网络的推荐算法
3.1 基本原理与形式化定义
3.2 模型设计思路
3.1.1 判别模型与训练
3.1.2 生成模型与训练
3.3 对抗网络应用于推荐核心模块理论推导
3.4 本章小结
4 基于异构生成对抗网络集成的推荐算法
4.1 问题描述
4.2 模型设计
4.2.1 弱判别模型内部结构与集成方法
4.2.2 弱生成模型内部结构与集成方法
4.2.3 对抗训练过程
4.3 算法伪码与复杂度分析
4.4 本章小结
5 实验评估
5.1 实验配置
5.1.1 实验环境
5.1.2 数据集
5.1.3 超参数设置
5.2 相关评测指标以及对照实验
5.2.1 评测指标
5.2.2 对照实验
5.3 实验结果对比和分析
5.3.1 推荐性能对比和时间复杂度分析
5.3.2 集成模型性能拓展实验
5.3.3 集成算法泛化性能对比与分析
5.3.4 特征维度敏感度
5.4本章小结
6 总结与展望
6.1 全文总结
6.2 课题展望
致谢
参考文献