基于协同过滤的移动电子商务推荐研究与应用
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 个性化推荐发展现状 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 研究目的 | 第17-18页 |
| 1.4 本文主要工作 | 第18页 |
| 1.5 论文组织结构 | 第18-20页 |
| 第2章 相关技术 | 第20-33页 |
| 2.1 移动推荐系统 | 第20-23页 |
| 2.1.1 移动电子商务推荐系统 | 第20-22页 |
| 2.1.2 移动上下文在推荐中的应用 | 第22-23页 |
| 2.2 个性化推荐算法 | 第23-25页 |
| 2.2.1 基于内容的推荐 | 第23-24页 |
| 2.2.2 基于协同过滤的推荐 | 第24页 |
| 2.2.3 混合推荐 | 第24-25页 |
| 2.2.4 推荐技术对比分析 | 第25页 |
| 2.3 协同过滤推荐技术 | 第25-29页 |
| 2.3.1 基于项目的协同过滤 | 第26页 |
| 2.3.2 基于用户的协同过滤 | 第26-27页 |
| 2.3.3 基于模型的协同过滤 | 第27-28页 |
| 2.3.4 基于矩阵分解的协同过滤 | 第28页 |
| 2.3.5 融合协同过滤 | 第28-29页 |
| 2.4 推荐算法性能评估 | 第29-31页 |
| 2.5 推荐系统面临的挑战 | 第31-32页 |
| 小结 | 第32-33页 |
| 第3章 改进的评分矩阵缺失数据填充 | 第33-41页 |
| 3.1 缺失数据填充概述 | 第33-34页 |
| 3.2 移动上下文情景分类 | 第34-36页 |
| 3.3 评分矩阵中缺失数据填充 | 第36-38页 |
| 3.4 实验结果分析 | 第38-39页 |
| 3.4.1 实验方法 | 第38页 |
| 3.4.2 实验结果分析 | 第38-39页 |
| 小结 | 第39-41页 |
| 第4章 用户兴趣建模研究及改进 | 第41-48页 |
| 4.1 用户兴趣建模相关理论 | 第41-44页 |
| 4.1.1 数据采集 | 第41-42页 |
| 4.1.2 模型表示 | 第42页 |
| 4.1.3 模型学习 | 第42-43页 |
| 4.1.4 模型更新 | 第43-44页 |
| 4.2 用户模型 | 第44-45页 |
| 4.2.1 用户模型建立 | 第44页 |
| 4.2.2 用户模型更新 | 第44-45页 |
| 4.3 商品模型 | 第45页 |
| 4.3.1 商品模型建立 | 第45页 |
| 4.3.2 商品模型更新 | 第45页 |
| 4.4 结合移动上下文的用户情景模型 | 第45-47页 |
| 4.4.1 移动上下文在协同过滤中的应用 | 第45-46页 |
| 4.4.2 结合移动上下文情景的用户情景模型 | 第46-47页 |
| 小结 | 第47-48页 |
| 第5章 改进的混合协同过滤推荐 | 第48-60页 |
| 5.1 推荐流程概述 | 第48-49页 |
| 5.2 改进的相似度计算 | 第49-54页 |
| 5.2.1 用户相似度计算 | 第50-51页 |
| 5.2.2 情景相似度 | 第51-52页 |
| 5.2.3 商品相似度 | 第52-54页 |
| 5.3 改进的UC-CF协同过滤算法 | 第54-56页 |
| 5.4 实验分析及结果 | 第56-59页 |
| 5.4.1 数据集 | 第56页 |
| 5.4.2 实验分析 | 第56-59页 |
| 小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 附录A 攻读学位期间完成的主要成果 | 第67-68页 |
| 附录B 攻读硕士期间参与的项目列表 | 第68页 |
