融合多源異構(gòu)數(shù)據(jù)的推薦與檢索

第1章 緒論
1.1 與檢索
1.1.1
1.1.2 檢索
1.2 多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢與挑戰(zhàn)
1.2.1 基于 的多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢與挑戰(zhàn)
1.2.2 基于檢索的多源異構(gòu)數(shù)據(jù)融合的優(yōu)勢與挑戰(zhàn)
1.3 本章小結(jié)
第2章 與檢索技術(shù)
2.1 技術(shù)
2.1.1 基于內(nèi)容的
2.1.2 協(xié)同過濾
2.1.3 基于深度學習的
2.1.4 系統(tǒng)評價指標
2.1.5 基于評測方法的評價指標
2.2 檢索技術(shù)
2.2.1 基于文本的檢索
2.2.2 基于內(nèi)容的檢索
2.2.3 基于語義的檢索
2.2.4 基于上下文的檢索
2.2.5 基于示例的檢索
2.2.6 多模態(tài)跨模態(tài)檢索
2.2.7 個性化檢索
2.3 本章小結(jié)
第3章 個性化推薦與檢索
3.1 基于內(nèi)容的個性化圖像 與檢索
3.1.1 用戶興趣獲取
3.1.2 用戶興趣表示
3.1.3 個性化實現(xiàn)
3.2 基于協(xié)同過濾的個性化圖像 與檢索
3.2.1 基于用戶的協(xié)同過濾
3.2.2 基于物品的協(xié)同過濾
3.2.3 基于模型的協(xié)同過濾
3.3 個性化圖像 與檢索方法對比
3.4 本章小結(jié)
第4章 基于傳統(tǒng)機器學習的多源異構(gòu)數(shù)據(jù)推薦模型
4.1 問題描述
4.2 相關算法
4.2.1 Word2Vector
4. 2.2 Online LDA
4.2.3 CNM
4.2.4 CoDA
4.3 流程
4.4 模型
4.4.1 評論特征提取
4.4.2 社區(qū)發(fā)現(xiàn)
4.4.3 模型訓練
4.4.4 特征混合
4.4.5 預測和評價
4.5 Spark實現(xiàn)