声明
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 推荐系统
1.2.2 跨领域推荐
1.2.3 迁移学习
1.3 本文研究工作
1.4 本文组织结构
2 相关理论与工作
2.1 推荐系统简介
2.2 迁移学习的相关研究
2.2.1 迁移学习的概念与方法分类
2.2.2 基于深度学习的迁移学习
2.3 跨领域推荐的相关研究
2.3.1 跨领域推荐概念
2.3.2 跨领域推荐的方法
2.4 文本特征提取的相关技术
2.4.1 词向量
2.4.2 卷积神经网络
2.5 本章小结
3 基于CNN的跨领域推荐模型
3.1 模型概述
3.2 用户特征和项目特征的提取
3.2.1 相关定义
3.2.2 评论文本文档的词向量表示
3.2.3 基于CNN的用户和项目特征提取
3.3 知识迁移过程
3.3.1 构建源域、目标域和共享域
3.3.2 不同领域之间特征的融合
3.4 评分预测层
3.5 本章小结
4 基于CNN和代价敏感的跨领域推荐模型
4.1融合代价敏感策略的L2损失函数CSL2
4.1.1 代价敏感学习
4.1.2 CSL2损失函数
4.2模型的损失函数以及训练过程
4.2.1 模型的损失函数
4.2.2 模型的训练过程
4.3 模型的时间复杂度分析
4.4 本章小结
5 实验与分析
5.1 实验数据集
5.2 对比模型与实验设置
5.3 评价指标
5.4 实验结果与分析
5.4.1 代价敏感损失函数的有效性分析
5.4.2 评分预测准确性比较
5.4.3 模型知识迁移有效性的研究
5.4.4 数据稀疏问题的实验
5.4.5 用户冷启动问题的实验
5.4.6 模型的学习率分析
5.4.7 模型泛化能力验证
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
个人简历、在校期间发表的学术论文及科研成果
个人简历
在校期间发表的学术论文
科研成果
致谢
郑州大学;
