面向推荐系统的机器学习算法研究

目录

声明

缩略词表

第一章 绪 论

1.1 课题研究背景及意义

1.1.1 点击率预测推荐的研究背景及意义

1.1.2 排序学习推荐的研究背景及意义

1.2 推荐系统的国内外研究现状

1.2.1 点击率预测推荐

1.2.2 排序学习推荐

1.3 研究目标和内容

1.4 论文创新点

1.5 论文章节安排

第二章 推荐系统中的算法模型与相关概念

2.1 点击率预测模型

2.1.1 逻辑回归模型

2.1.2 梯度提升树模型

2.1.3 因子分解机模型

2.1.4 深度学习模型

2.2 排序学习模型

2.2.1 排序学习评价指标

2.2.2 排序学习方法

2.3 本章小结

第三章 GBDeepFM点击率预测推荐模型

3.1 问题描述

3.1.1 难以满足记忆与泛化功能的问题

3.1.2 无法充分挖掘和组合低阶特征的问题

3.1.3 深度学习模型参数学习与过度泛化问题

3.2 GBDeepFM推荐模型设计思想

3.3 GBDeepFM模型

3.3.1 GBDT模块

3.3.2 FM模块

3.3.3 DNN模块

3.3.4 模型总结

3.4 算法仿真验证与结果分析

3.4.1 实验环境与数据集预处理

3.4.2 损失函数与评价函数

3.4.3 常用参数设置

3.4.4 超参数分析

3.4.5 模型对比与结果分析

3.5 本章小结

第四章 基于NDCG评价指标的直接优化算法

4.1 问题描述

4.2 SmoothNDCG排序学习算法设计

4.2.1 NDCG评价函数

4.2.2 SmoothNDCG算法

4.3 算法仿真验证与结果分析

4.3.1 实验环境与实验数据集

4.3.2 实验参数设置与评价指标

4.3.3 超参数分析

4.3.4 模型对比与结果分析

4.4 SmoothNDCG算法总结

4.5 本章小结

第五章 总结和展望

5.1 论文工作总结

5.2 未来展望

致谢

参考文献

攻读硕士期间取得的成果