教育论文网

基于进化多目标优化和深度神经网络的个性化推荐研究

硕士博士毕业论文站内搜索    
分类1:教育论文网→工业技术论文→自动化技术、计算机技术论文计算技术、计算机技术论文计算机的应用论文信息处理(信息加工)论文检索机论文
分类2:教育论文网→工业技术论文→自动化技术、计算机技术论文自动化基础理论论文人工智能理论论文
基于进化多目标优化和深度神经网络的个性化推荐研究
论文目录
 
ABSTRACT第1-6页
摘要第6-10页
Notations第10-11页
Abbreviations第11-16页
Chapter 1 Introduction第16-20页
  1.1 Research Background and Significance第16-17页
  1.2 Recommendation Techniques第17-18页
    1.2.1 Collaborative Recommendation第17页
    1.2.2 Content-based Recommendation第17-18页
    1.2.3 Hybrid Recommendation第18页
  1.3 Major Challenges第18-19页
  1.4 Remainder of This Paper第19-20页
Chapter 2 Recommender Systems第20-24页
  2.1 Problem Definition of Recommendation第20页
  2.2 Evaluating Recommendation Results第20-24页
    2.2.1 Accuracy第21-22页
    2.2.2 Novelty第22-23页
    2.2.3 Coverage第23-24页
Chapter 3 Tag-Aware Recommendation Algorithm Based on Deep Neural Networks第24-40页
  3.1 Introduction第24-26页
  3.2 Background第26-28页
    3.2.1 Tag-Aware Recommendation Models第26-27页
    3.2.2 Related Work on Tag-aware Recommendations第27-28页
  3.3 Recommendation Algorithm Based on Deep Neural Networks第28-32页
    3.3.1 Initialization of Users’ Profiles第29页
    3.3.2 Processing Tag Information via Deep Neural Networks第29-32页
    3.3.3 Making Recommendations Based on Extracted Features第32页
  3.4 Experiments第32-38页
    3.4.1 Test Datasets and Parameter Settings第32-34页
    3.4.2 Experimental Results第34-38页
  3.5 Brief Summary第38-40页
Chapter 4 Multi-objective Recommendation Model第40-56页
  4.1 Introduction第40-42页
  4.2 Preliminaries第42-45页
    4.2.1 Multi-objective Optimization第42页
    4.2.2 Balance Between Accuracy and Diversity第42-44页
    4.2.3 Probabilistic Spreading Algorithm第44-45页
  4.3 The Proposed MOEA-based Recommendation Algorithm第45-48页
    4.3.1 User Clustering第45页
    4.3.2 Two Objectives第45-46页
    4.3.3 Individual Representation第46-47页
    4.3.4 Genetic Operators第47-48页
  4.4 Experimental Studies第48-55页
    4.4.1 Experimental Settings第48页
    4.4.2 Experimental Results第48-55页
  4.5 Brief Summary第55-56页
Chapter 5 Conclusions第56-58页
Reference第58-66页
Acknowledgements第66-68页
Resume第68-69页

本篇论文共69页,点击这进入下载页面
 
更多论文
基于进化多目标优化和深度神经网络
基于用户的协同过滤推荐算法研究
基于统计与协同过滤的关键词提取研
基于CUDA的Word2Vec设计与实现
基于协同过滤技术的推荐算法研究
基于网络结构的推荐算法研究
基于协同过滤混合推荐系统的研究与
基于矩阵分解及其图模型的协同过滤
推荐系统中基于内存的协同过滤算法
基于Hadoop的聚类协同过滤推荐算法
基于WSFT模型的深层网文本获取方法
基于.NET的就业信息推荐系统的设计
两种高性能多模式匹配算法的设计与
基于ROS的机器人自然语言理解设计
基于新型邻域选择的个性化推荐系统
融合信任关系的矩阵分解推荐算法研
基于Mahout的推荐系统实践及算法改
个性化时政信息搜索引擎的研究与实
基于协同过滤的推荐系统相关算法研
基于改进矩阵分解的推荐算法研究
基于身边服务的推荐系统的设计与实
Web文本分类关键技术研究与应用
基于模糊理论和协同过滤的个性化推
基于随机游走的微博数据社团挖掘与
基于主题模型与用户兴趣的个性化新
基于页面结构分析的语义数据抽取方
移动互联网信息集成和位置检索的关
基于协同过滤的分布式电影推荐系统
基于改进SVD算法的个性化新闻推荐系
基于社交网络的旅游路线推荐算法研
面向自然问句的SPARQL查询生成方法
基于词向量和文本特征的事件提取
中文多模式匹配算法及其并行化研究
智能化元搜索引擎中多Agent系统架构
基于多目标优化遗传算法的加权混合
基于用户配置文件的个性化推荐方法
基于统计和知识相结合的词义识别研
分布式网络爬虫在农产品搜索系统中
个性化推荐在智慧社区中的研究与应
PageRank算法应用在文献检索排序中
基于优化的IG与RBF的SVM文本情感分
基于标签和可信邻域的协同过滤推荐
基于长短期记忆多维主题微博情感倾
基于条件相对平均熵的个性化推荐算
基于内容分析的短信种子客户挖掘模
面向自然语言的法律检索系统的研究
基于特征增益与多级优化的个性化套
基于用户评分和遗传算法的协同过滤
中文微博细粒度情感判别研究
一种综合多层次信息的句子相似度计
基于Spark并行LDA主题模型的研究
互联网商品评论情感分析研究
 
推荐系统论文 深度神经网络论文 冗余 多目标论文 多样性论文 准确度论文
版权申明:目录由用户lilyloveco**提供,www.51papers.com仅收录目录,作者需要删除这篇论文目录请点击这里
| 设为首页||加入收藏||站内搜索引擎||站点地图||在线购卡|
版权所有 教育论文网 Copyright(C) All Rights Reserved