基于商品类目的个性化广告推荐
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 研究现状 | 第17-19页 |
| 1.2.1 基于内容的推荐 | 第17-18页 |
| 1.2.2 协同过滤推荐 | 第18-19页 |
| 1.2.3 基于模型的推荐 | 第19页 |
| 1.3 研究目标和内容 | 第19-20页 |
| 1.4 论文框架 | 第20-22页 |
| 第二章 相关算法介绍 | 第22-34页 |
| 2.1 决策树 | 第22-24页 |
| 2.1.1 基本流程 | 第22-23页 |
| 2.1.2 属性选择度量 | 第23-24页 |
| 2.1.3 剪枝处理 | 第24页 |
| 2.2 集成学习 | 第24-27页 |
| 2.2.1 Bagging | 第25页 |
| 2.2.2 Adaboost | 第25-26页 |
| 2.2.3 随机森林 | 第26页 |
| 2.2.4 GBDT | 第26-27页 |
| 2.3 XGBoost | 第27-31页 |
| 2.3.1 基本原理 | 第27-28页 |
| 2.3.2 目标函数 | 第28-30页 |
| 2.3.3 训练优化 | 第30-31页 |
| 2.4 本章小结 | 第31-34页 |
| 第三章 大数据处理平台搭建 | 第34-50页 |
| 3.1 Hadoop简介 | 第34-39页 |
| 3.1.1 Common | 第34页 |
| 3.1.2 HDFS | 第34-36页 |
| 3.1.3 Map Reduce | 第36-37页 |
| 3.1.4 YARN | 第37-39页 |
| 3.2 Hadoop生态圈 | 第39-41页 |
| 3.2.1 HBase | 第39-40页 |
| 3.2.2 Hive | 第40页 |
| 3.2.3 Mahout | 第40-41页 |
| 3.3 Hadoop平台搭建 | 第41-48页 |
| 3.3.1 环境准备 | 第41-42页 |
| 3.3.2 网络配置 | 第42-45页 |
| 3.3.3 Hadoop安装配置 | 第45-48页 |
| 3.4 本章小结 | 第48-50页 |
| 第四章 推荐系统架构及特征构建 | 第50-62页 |
| 4.1 问题建模 | 第50-52页 |
| 4.2 数据准备 | 第52-56页 |
| 4.2.1 数据说明 | 第52-53页 |
| 4.2.2 数据分析 | 第53-55页 |
| 4.2.3 数据划分 | 第55-56页 |
| 4.3 特征工程 | 第56-60页 |
| 4.3.1 特征设计 | 第56-58页 |
| 4.3.2 特征提取 | 第58-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 推荐模型研究与优化 | 第62-78页 |
| 5.1 评测标准 | 第62-64页 |
| 5.1.1 精确度、召回率与F1 | 第62-63页 |
| 5.1.2 ROC曲线与AUC | 第63-64页 |
| 5.2 XGBoost超参数优化 | 第64-69页 |
| 5.2.1 调参流程 | 第64-66页 |
| 5.2.2 结果及分析 | 第66-69页 |
| 5.3 基于频繁特征对的特征选择算法 | 第69-74页 |
| 5.3.1 算法简介 | 第69-71页 |
| 5.3.2 结果及分析 | 第71-74页 |
| 5.4 多模型融合 | 第74-77页 |
| 5.4.1 融合方案 | 第74-75页 |
| 5.4.2 结果及分析 | 第75-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
