| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 研究内容 | 第10-12页 |
| 1.2.1 电商推荐系统领域的一般研究内容 | 第10-11页 |
| 1.2.2 国外研究现状 | 第11页 |
| 1.2.3 国内研究现状 | 第11-12页 |
| 1.3 主要研究内容 | 第12-13页 |
| 1.4 研究生期间的主要工作 | 第13-14页 |
| 1.5 论文结构 | 第14-15页 |
| 第二章 相关理论基础 | 第15-25页 |
| 2.1 电商推荐技术概述 | 第15页 |
| 2.2 基于内容的推荐算法 | 第15-19页 |
| 2.2.1 算法概述 | 第15-16页 |
| 2.2.2 基于内容的推荐系统的层次结构 | 第16-17页 |
| 2.2.3 算法步骤 | 第17-18页 |
| 2.2.4 算法优劣 | 第18-19页 |
| 2.3 基于物品的协同过滤算法 | 第19-21页 |
| 2.3.1 算法概述 | 第19页 |
| 2.3.2 算法步骤 | 第19-21页 |
| 2.3.3 算法优点 | 第21页 |
| 2.4 基于用户的协同过滤算法 | 第21-24页 |
| 2.4.1 算法概述 | 第21-22页 |
| 2.4.2 算法步骤 | 第22-23页 |
| 2.4.3 协同过滤算法比较 | 第23-24页 |
| 2.5 组合推荐 | 第24页 |
| 2.6 小结 | 第24-25页 |
| 第三章 基于内容的用户偏好模型 | 第25-35页 |
| 3.1 用户偏好建模 | 第25-28页 |
| 3.1.1 用户偏好的表征 | 第25-26页 |
| 3.1.2 偏好建模结构 | 第26-27页 |
| 3.1.3 用户偏好的存储表示 | 第27-28页 |
| 3.2 行为内容挖掘 | 第28-30页 |
| 3.2.1 用户行为抽取 | 第28-29页 |
| 3.2.2 用户行为模型 | 第29-30页 |
| 3.3 用户偏好模型构建 | 第30-32页 |
| 3.3.1 用户行为叠加 | 第30页 |
| 3.3.2 时间上下文 | 第30页 |
| 3.3.3 基于内容的用户偏好模型 | 第30-32页 |
| 3.4 本章小结 | 第32-35页 |
| 第四章 基于有限资源的协同过滤推荐算法 | 第35-45页 |
| 4.1 基于用户的时间感知协同过滤算法 | 第35-36页 |
| 4.2 有限资源表 | 第36-37页 |
| 4.3 基于有限资源的协同过滤推荐算法 | 第37-43页 |
| 4.3.1 基于时间上下文与行为加权的用户兴趣相似度 | 第38-40页 |
| 4.3.2 基于电商有限资源生成初步推荐结果集 | 第40-41页 |
| 4.3.3 基于用户偏好模型的推荐结果校正 | 第41-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 电商系统推荐模块的设计与实现 | 第45-53页 |
| 5.1 基于有限资源的电商个性化推荐模块架构 | 第45页 |
| 5.2 数据库结构设计 | 第45-47页 |
| 5.3 数据预处理 | 第47-49页 |
| 5.4 推荐系统的冷启动 | 第49-50页 |
| 5.5 推荐系统的实现 | 第50-53页 |
| 5.5.1 用户偏好模型 | 第50-51页 |
| 5.5.2 基于有限资源的推荐结果 | 第51-52页 |
| 5.5.3 基于有限资源的冷启动推荐结果 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 论文工作总结 | 第53页 |
| 6.2 未来工作展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-59页 |
| 作者攻读学位期间发表的学术论文目录 | 第59页 |