| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第8-9页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 论文主要研究内容 | 第12页 |
| 1.4 论文的组织结构 | 第12-14页 |
| 第2章 推荐系统基本原理及算法 | 第14-21页 |
| 2.1 推荐系统介绍 | 第14页 |
| 2.2 常用的推荐算法 | 第14-19页 |
| 2.3 TFIDF关键词提取算法 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 ElasticSearch搜索技术与TFIDF在推荐领域的融合 | 第21-31页 |
| 3.1 搜索引擎简介 | 第21页 |
| 3.2 ElasticSearch介绍 | 第21-24页 |
| 3.3 ElasticSearch搭建配置 | 第24-29页 |
| 3.4 ElasticSearch与推荐系统的结合 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 机器学习在推荐系统的应用 | 第31-42页 |
| 4.1 机器学习算法 | 第31-36页 |
| 4.1.1 逻辑回归(Logistic Regression) | 第31-33页 |
| 4.1.2 支持向量机(SVM) | 第33-35页 |
| 4.1.3 梯度提升树(GBDT) | 第35-36页 |
| 4.2 用户物品特征融合的实现 | 第36-38页 |
| 4.3 机器学习算法对比 | 第38-41页 |
| 4.3.1 ROC和AUC评价标准介绍 | 第38-40页 |
| 4.3.2 机器学习算法在实验集合上的对比 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 推荐系统架构设计与实现 | 第42-52页 |
| 5.1 推荐系统整体架构简介 | 第42-44页 |
| 5.2 基于ElasticSearch的推荐架构 | 第44-46页 |
| 5.3 推荐系统召回和排序 | 第46-50页 |
| 5.3.1 基于时间衰减的TFIDF概率模型 | 第46页 |
| 5.3.2 相似度计算方法 | 第46-47页 |
| 5.3.3 召回策略 | 第47-49页 |
| 5.3.4 排序策略 | 第49-50页 |
| 5.4 本章小结 | 第50-52页 |
| 第6章 基于ElasticSearch的推荐系统实现 | 第52-59页 |
| 6.1 数据准备 | 第52-53页 |
| 6.2 系统实现 | 第53-58页 |
| 6.2.1 数据库设计实现 | 第53-55页 |
| 6.2.2 系统设计实现 | 第55-58页 |
| 6.3 本章小结 | 第58-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63-64页 |
| 导师简介 | 第64-65页 |
| 作者简介 | 第65-66页 |
| 学位论文数据集 | 第66页 |
