声明
第1章 绪 论
1.1 研究背景及意义
1.1.1研究背景
1.1.2研究意义
1.2 研究挑战
1.3 研究内容与技术路线
1.3.1主要研究内容
1.3.2 主要技术路线
1.4 论文组织结构
1.5 本章小结
第2章 相关理论与研究进展
2.1 推荐系统相关理论
2.1.1推荐系统原理及其组成
2.1.2 推荐系统分类及相关技术
2.1.3 典型推荐算法概述
2.2 推荐系统中的数据稀疏性及研究
2.3 推荐系统中的物品冷启动及研究
2.4 推荐系统中的长尾物品推荐及研究
2.5 主要深度学习方法与技术
2.6 基于深度学习的推荐系统基本框架
2.7 基于深度学习的个性化推荐相关研究
2.7.1 深度学习推荐分类
2.7.2 深度学习个性化推荐主要研究
2.8 本章小结
第3章 局部相似性预测推荐模型LSPCNN
3.1 CNN模型的构成
3.1.1 卷积层
3.1.2 池化层
3.2 LSPCNN模型构建的主要思路
3.3 LSPCNN个性化推荐模型
3.3.1 输入数据的局部特征化处理
3.3.2 评分预测
3.3.3 深层LSPCNN预测训练
3.4 实验与分析
3.4.1 数据集及预处理
3.4.2 局部特征化实验
3.4.3 预测评分度量标准
3.4.4 深层LSPCNN预测性能验证
3.4.5 不同稀疏度下预测性能比较
3.4.6 模型改进前后推荐预测性能比较
3.5本章小结
第4章 物品冷启动推荐模型TextRank-LSTM
4.1 LSTM模型构成
4.2 TextRank-LSTM模型构建的主要思路
4.3 TextRank-LSTM物品冷启动推荐模型
4.3.1 物品特征关键词提取
4.3.2 基于LSTM的用户时序偏好模型的构建
4.3.3 物品的推荐
4.4 实验与分析
4.4.1数据集及预处理
4.4.2 评价指标
4.4.3实验结果分析
4.5 本章小结
第5章 长尾物品推荐模型LDBM
5.1 DBM模型的构成
5.1.1 DBM模型的计算
5.1.2 DBM的学习方法
5.2 LDBM模型构建的主要思路
5.3 LDBM推荐模型
5.4 主题提取
5.5 改进DBM的主题权重预测
5.5.1 DBM的改进
5.5.2 用户未知主题偏好预测
5.6 主题相似度计算及推荐
5.7 实验与分析
5.7.1 数据集及预处理
5.7.2 主题及权重提取
5.7.3 改进DBM对主题权重训练的验证
5.7.4 近邻用户的选择对模型预测性能的影响
5.7.5 LDBM推荐性能验证
5.7.6 DBM层数对LDBM推荐性能影响
5.8 本章小结
第6章 GNN链路预测推荐模型GNNLPR
6.1 图神经网络GNN的推荐过程
6.2 链路预测及推荐
6.3图神经网络GNN链路预测
6.4 GNNLPR个性化推荐模型
6.4.1 构建用户——物品GNN
6.4.2 GNN的子图划分
6.4.3 相似度计算
6.4.4 链路预测与推荐
6.5 实验与分析
6.5.1 数据集及预处理
6.5.2 评价指标
6.5.3 实验验证
6.5.4 实验过程
6.5.5 实验结果分析
6.6 本章小结
第7章 总结与展望
7.1 研究总结
7.2 研究特色与创新
7.3 研究不足与展望
7.3.1 研究的不足
7.3.2 进一步研究展望
参考文献
攻读博士学位期间发表的论文、专利
致谢
东华大学;
