基于电商的长尾推荐的研究与实现
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文主要工作与创新 | 第13-14页 |
| 1.3.1 本文的主要创新点 | 第13-14页 |
| 1.3.2 论文的主要工作 | 第14页 |
| 1.4 论文结构安排 | 第14-16页 |
| 第二章 相关技术及研究 | 第16-28页 |
| 2.1 传统电商推荐系统 | 第16-18页 |
| 2.2 长尾现象及其在推荐系统中的应用分析 | 第18-20页 |
| 2.2.1 长尾现象分析 | 第18-19页 |
| 2.2.2 电商平台下长尾原理的应用分析 | 第19-20页 |
| 2.3 级联实验相关技术分析 | 第20-22页 |
| 2.4 LDA文档主题模型 | 第22-26页 |
| 2.4.1 LDA算法的学习过程 | 第24-26页 |
| 2.4.2 LDA模型之于推荐系统 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 级联推荐及其长尾效应的研究 | 第28-47页 |
| 3.1 数据构建及模型选择 | 第28-29页 |
| 3.2 特征工程 | 第29-34页 |
| 3.2.1 特征提取 | 第29-31页 |
| 3.2.2 特征筛选 | 第31-34页 |
| 3.3 级联模型实验设计和实验结果 | 第34-40页 |
| 3.3.1 级联模型实验设计 | 第34-37页 |
| 3.3.2 实验结果分析 | 第37-40页 |
| 3.4 长尾指标与实验问题 | 第40-45页 |
| 3.4.1 多样性 | 第41-43页 |
| 3.4.2 长尾推荐率 | 第43页 |
| 3.4.3 长尾稳定性 | 第43页 |
| 3.4.4 长尾深度和长尾等级 | 第43-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于LDA文档主题模型的长尾推荐 | 第47-62页 |
| 4.1 用户LDA模型的构建 | 第47-52页 |
| 4.1.1 随机游走算法 | 第47-50页 |
| 4.1.2 用户熵 | 第50-51页 |
| 4.1.3 基于用户的LDA文档主题模型 | 第51-52页 |
| 4.2 长尾推荐实验设计 | 第52-54页 |
| 4.3 吉布斯采样 | 第54-55页 |
| 4.4 实验结果分析与对比 | 第55-61页 |
| 4.4.1 普通指标分析 | 第55-57页 |
| 4.4.2 长尾指标分析 | 第57-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 工作总结与展望 | 第62-64页 |
| 5.1 论文总结 | 第62-63页 |
| 5.2 进一步研究与展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间发表论文 | 第69页 |
