| 摘要 | 第1-10页 |
| ABSTRACT | 第10-12页 |
| 致谢 | 第12-20页 |
| 第一章 绪论 | 第20-50页 |
| ·问题的提出 | 第20-22页 |
| ·研究目的与意义 | 第22-23页 |
| ·电子商务推荐系统概述 | 第23-29页 |
| ·定义及任务 | 第23-24页 |
| ·用户偏好数据 | 第24-25页 |
| ·相关推荐技术 | 第25-29页 |
| ·国内外研究现状 | 第29-48页 |
| ·协同过滤的起源和发展 | 第29-34页 |
| ·协同过滤的瓶颈问题 | 第34-36页 |
| ·稀疏性问题研究现状 | 第36-41页 |
| ·可扩展性问题研究现状 | 第41-48页 |
| ·研究内容与结构安排 | 第48-50页 |
| 第二章 传统协同过滤及其评价方法 | 第50-62页 |
| ·基于用户(user-based)的协同过滤 | 第50-54页 |
| ·基于项目(item-based)的协同过滤 | 第54-58页 |
| ·推荐质量评价方法 | 第58-60页 |
| ·评价标准 | 第58-60页 |
| ·实验数据集 | 第60页 |
| ·实验方案 | 第60页 |
| ·本章小结 | 第60-62页 |
| 第三章 面向KNN 法的稀疏性缓解理论研究 | 第62-84页 |
| ·相关工作分析 | 第62-63页 |
| ·非目标用户类型区分理论 | 第63-64页 |
| ·基于领域最近邻理论的KNN 法 | 第64-71页 |
| ·领域最近邻理论 | 第64-66页 |
| ·基于领域最近邻的KNN 法描述 | 第66-67页 |
| ·实验结果及分析 | 第67-71页 |
| ·基于 Rough 集理论的 KNN 法 | 第71-82页 |
| ·基于Rough 集理论的未评分项填补方法 | 第71-75页 |
| ·基于Rough 集理论的KNN 法描述 | 第75页 |
| ·实验结果及分析 | 第75-82页 |
| ·本章小结 | 第82-84页 |
| 第四章 基于用户访问项序的冷启动消除方法研究 | 第84-102页 |
| ·相关工作分析 | 第84-85页 |
| ·用户访问项序理论 | 第85-94页 |
| ·用户访问项序的获取 | 第85-88页 |
| ·n 序访问解析逻辑 | 第88-90页 |
| ·用户访问项序的相似性计算方法 | 第90-94页 |
| ·基于访问项序最近邻的 top-N 推荐 | 第94-95页 |
| ·基于 Markov 链模型的商品导航推荐 | 第95-99页 |
| ·Markov 链与概率转移矩阵 | 第95-97页 |
| ·用户访问项序的Markov 链模型 | 第97-98页 |
| ·模型的训练方法 | 第98-99页 |
| ·实验结果及分析 | 第99-101页 |
| ·本章小结 | 第101-102页 |
| 第五章 面向可扩展性的增量更新机制研究 | 第102-116页 |
| ·相关工作分析 | 第102-103页 |
| ·项目相似性增量更新机制 | 第103-112页 |
| ·增量更新机制的基本思想 | 第103-104页 |
| ·独立因子的增量值计算方法 | 第104-109页 |
| ·计算复杂度分析 | 第109-111页 |
| ·增量更新流程分析 | 第111-112页 |
| ·实验结果及分析 | 第112-115页 |
| ·本章小结 | 第115-116页 |
| 第六章 电子商务协同过滤系统 ECRec 的设计与实现 | 第116-128页 |
| ·ECRec 的设计 | 第116-124页 |
| ·系统架构设计 | 第116-118页 |
| ·功能模块设计 | 第118-121页 |
| ·系统内存处理设计 | 第121-124页 |
| ·ECRec 的实现 | 第124-127页 |
| ·本章小结 | 第127-128页 |
| 第七章 总结与展望 | 第128-130页 |
| ·本文研究工作总结 | 第128-129页 |
| ·未来研究方向展望 | 第129-130页 |
| 参考文献 | 第130-142页 |
| 攻读博士学位期间参与的科研项目及发表的论文 | 第142页 |