电子商务推荐系统的关联聚类协同过滤算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 数据挖掘技术综述 | 第15-22页 |
| 2.1 数据挖掘概述 | 第15-17页 |
| 2.1.1 数据挖掘定义 | 第15页 |
| 2.1.2 数据挖掘过程 | 第15-17页 |
| 2.2 关联规则挖掘 | 第17-20页 |
| 2.2.1 Apriori算法简介 | 第17-18页 |
| 2.2.2 Apriori算法流程 | 第18-20页 |
| 2.3 聚类挖掘 | 第20-21页 |
| 2.3.1 K-Means算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 相关推荐技术综述 | 第22-31页 |
| 3.1 协同过滤推荐技术综述 | 第22-23页 |
| 3.2 基于用户的协同过滤推荐技术 | 第23-28页 |
| 3.2.1 数据表示 | 第25页 |
| 3.2.2 用户相似性计算 | 第25-27页 |
| 3.2.3 产生推荐 | 第27-28页 |
| 3.3 基于项目的协同过滤推荐技术 | 第28-29页 |
| 3.4 基于内容的推荐技术 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 关联聚类协同过滤算法(ACCF) | 第31-41页 |
| 4.1 传统的协同过滤算法问题分析 | 第31-34页 |
| 4.2 关联聚类的协同过滤算法 | 第34-37页 |
| 4.2.1 提出依据 | 第34-35页 |
| 4.2.2 算法设计 | 第35-37页 |
| 4.3 实验结果与分析 | 第37-40页 |
| 4.3.1 数据集 | 第37页 |
| 4.3.2 评价标准 | 第37-38页 |
| 4.3.3 实验结果分析 | 第38-40页 |
| 4.4 本章小结 | 第40-41页 |
| 第5章 基于ACCF的电子商务推荐系统实现 | 第41-68页 |
| 5.1 电子商务推荐系统综述 | 第41页 |
| 5.2 电子商务推荐系统的模型分析 | 第41-42页 |
| 5.3 需求分析 | 第42-47页 |
| 5.3.1 需求描述 | 第42-43页 |
| 5.3.2 业务描述 | 第43-44页 |
| 5.3.3 用例分析 | 第44-47页 |
| 5.4 总体设计 | 第47-50页 |
| 5.4.1 推荐系统架构设计 | 第47-49页 |
| 5.4.2 包结构设计 | 第49-50页 |
| 5.5 详细设计 | 第50-57页 |
| 5.5.1 模块设计 | 第51-54页 |
| 5.5.2 数据库设计 | 第54-57页 |
| 5.6 多场景推荐模块设计 | 第57-66页 |
| 5.7 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 不足与展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
