摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-18页 |
1.1 研究背景及意义 | 第10-11页 |
1.1.1 研究背景 | 第10页 |
1.1.2 研究目的及意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-15页 |
1.2.1 国外研究现状 | 第11-13页 |
1.2.2 国内研究现状 | 第13-15页 |
1.2.3 评述 | 第15页 |
1.3 研究内容和方法 | 第15-18页 |
1.3.1 研究内容 | 第15-16页 |
1.3.2 研究方法 | 第16-17页 |
1.3.3 技术路线 | 第17-18页 |
第2章 MC用户兴趣模型及协同过滤推荐过程 | 第18-24页 |
2.1 MC内涵及特征分析 | 第18-19页 |
2.1.1 MC内涵 | 第18页 |
2.1.2 MC特征 | 第18-19页 |
2.1.3 MC用户特点 | 第19页 |
2.2 MC用户兴趣影响因素分析 | 第19-21页 |
2.2.1 MC用户兴趣内涵 | 第19-20页 |
2.2.2 MC用户兴趣影响因素维度 | 第20-21页 |
2.3 MC用户兴趣模型构建 | 第21-22页 |
2.4 基于用户兴趣的MC协同过滤推荐过程 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第3章 基于用户兴趣的MC用户聚类方法 | 第24-30页 |
3.1 基于改进K-means的MC用户聚类过程 | 第24页 |
3.2 加权的Slope One用户兴趣模型评分数据填充 | 第24-26页 |
3.3 基于萤火虫改进的K-means初始聚类中心的选取 | 第26-29页 |
3.3.1 距离度量的改进 | 第27页 |
3.3.2 初始聚类中心选取的改进 | 第27-29页 |
3.4 移动电子商务用户聚类结果 | 第29页 |
3.5 本章小结 | 第29-30页 |
第4章 基于用户兴趣的MC用户多维相似性计量与推荐集成 | 第30-35页 |
4.1 基于用户兴趣多维相似性计算的推荐流程 | 第30-31页 |
4.2 MC用户多维相似度计算 | 第31-33页 |
4.2.1 用户特征维度相似性 | 第31页 |
4.2.2 项目特征维度相似性 | 第31-32页 |
4.2.3 情境特征维度相似性 | 第32-33页 |
4.3 基于MC用户多维相似性计算的推荐集合生成 | 第33-34页 |
4.3.1 邻居用户集合生成 | 第33-34页 |
4.3.2 推荐结果生成 | 第34页 |
4.4 本章小结 | 第34-35页 |
第5章 实证研究 | 第35-48页 |
5.1 蚂蜂窝旅游网简介 | 第35-36页 |
5.2 蚂蜂窝旅游网站用户兴趣特征选取 | 第36-38页 |
5.2.1 旅游用户特征维度 | 第36-37页 |
5.2.2 旅游景点特征维度 | 第37页 |
5.2.3 旅游情境特征维度 | 第37-38页 |
5.3 基于用户兴趣的旅游用户聚类 | 第38-43页 |
5.3.1 基于加权的Slope One用户兴趣评分数据填充 | 第38-41页 |
5.3.2 基于萤火虫改进的K-means用户聚类 | 第41-43页 |
5.4 基于用户兴趣的协同过滤旅游景点推荐 | 第43-47页 |
5.4.1 旅游用户多维相似性计算及邻居用户生成 | 第43-44页 |
5.4.2 评分预测及推荐结果生成 | 第44-45页 |
5.4.3 推荐质量检验 | 第45-47页 |
5.5 本章小节 | 第47-48页 |
结论 | 第48-49页 |
参考文献 | 第49-55页 |
攻读学位期间发表的学术论文 | 第55-56页 |
致谢 | 第56页 |