| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.1.1 研究的背景 | 第13-14页 |
| 1.1.2 研究的意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 农资电商市场的发展现状 | 第14-15页 |
| 1.2.2 国内外推荐系统发展现状 | 第15-17页 |
| 1.2.3 农资电商推荐系统现状 | 第17-18页 |
| 1.3 研究内容和技术路线 | 第18-20页 |
| 1.3.1 研究技术路线 | 第18-19页 |
| 1.3.2 主要研究内容 | 第19-20页 |
| 1.4 本章小结 | 第20-21页 |
| 第2章 相关概念及方法 | 第21-28页 |
| 2.1 推荐算法概述 | 第21-25页 |
| 2.1.1 基于邻域的推荐算法 | 第21-23页 |
| 2.1.2 基于内容的推荐算法 | 第23-24页 |
| 2.1.3 基于混合推荐的推荐算法 | 第24-25页 |
| 2.2 推荐效益评价指标计算 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于注册用户画像的农资推荐算法 | 第28-42页 |
| 3.1 基于用户的协同过滤推荐算法 | 第28-31页 |
| 3.1.1 相似度计算方法 | 第28-29页 |
| 3.1.2 基于用户的协同过滤推荐算法的局限性分析 | 第29-31页 |
| 3.2 基于注册用户画像的农资推荐算法 | 第31-35页 |
| 3.2.1 农资电商系统中用户和产品的特点 | 第31页 |
| 3.2.2 用户画像相似性 | 第31-33页 |
| 3.2.3 用户类别评分差异度 | 第33-34页 |
| 3.2.4 多维用户相似性计算方法 | 第34-35页 |
| 3.3 实验验证 | 第35-41页 |
| 3.3.1 实验数据 | 第35-37页 |
| 3.3.2 实验方案及结果 | 第37-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于用户意图分析的农资推荐算法 | 第42-54页 |
| 4.1 用户意图数据挖掘 | 第42-45页 |
| 4.1.1 获取用户行为数据 | 第42-43页 |
| 4.1.2 数据预处理 | 第43-45页 |
| 4.2 基于用户意图分析的农资电商推荐算法 | 第45-50页 |
| 4.2.1 用户意图模型 | 第45-48页 |
| 4.2.2 产品特征模型 | 第48页 |
| 4.2.3 用户意图匹配算法 | 第48-50页 |
| 4.2.4 新用户替补策略 | 第50页 |
| 4.3 实验验证 | 第50-53页 |
| 4.3.1 实验数据 | 第50页 |
| 4.3.2 实验方案及结果 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 基于Spark的农药智能推荐系统的设计与实现 | 第54-65页 |
| 5.1 Spark应用框架 | 第54-56页 |
| 5.2 基于Spark的农药智能推荐系统设计 | 第56-58页 |
| 5.2.1 系统框架设计 | 第56-57页 |
| 5.2.2 系统流程设计 | 第57-58页 |
| 5.3 基于Spark的农药智能推荐系统实现 | 第58-64页 |
| 5.3.1 智能推荐系统推荐功能实现 | 第58-61页 |
| 5.3.2 智能推荐系统其他功能实现 | 第61-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结和展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 个人简介 | 第71-72页 |
| 攻读硕士学位期间的学术活动及成果 | 第72页 |