| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪论 | 第11-18页 |
| ·选题背景 | 第11页 |
| ·问题的提出 | 第11-13页 |
| ·研究目的与意义 | 第13-14页 |
| ·研究思路与论文结构 | 第14-16页 |
| ·论文主要研究内容 | 第16-18页 |
| 2 国内外研究现状 | 第18-42页 |
| ·网络广告的形式 | 第18-19页 |
| ·网络广告模型 | 第19-21页 |
| ·网络广告的效果测量 | 第21-22页 |
| ·网络广告的个性化技术 | 第22-26页 |
| ·网络广告的时序安排 | 第26-28页 |
| ·智能推荐技术 | 第28-37页 |
| ·RSS的应用领域 | 第37-39页 |
| ·客户流失研究 | 第39-40页 |
| ·国内外研究述评 | 第40-42页 |
| 3 基于RSS的个性化网络广告系统框架 | 第42-60页 |
| ·个性化网络广告概述 | 第42-47页 |
| ·基于RSS的网络广告 | 第47-53页 |
| ·个性化网络广告系统功能需求 | 第53-55页 |
| ·基于RSS的个性化网络广告系统结构 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 4 RSS广告与RSS Feed的自动分类 | 第60-74页 |
| ·分类方法及其对比分析 | 第60-65页 |
| ·RSS广告与RSS Feed分类的处理流程与算法选择 | 第65-66页 |
| ·RSS广告与RSS Feed的文本预处理 | 第66-72页 |
| ·基于k邻近算法的RSS广告与RSS Feed自动分类 | 第72-73页 |
| ·本章小结 | 第73-74页 |
| 5 基于关联规则的用户浏览行为分析 | 第74-91页 |
| ·消费者行为与数据挖掘技术 | 第74-75页 |
| ·关联规则挖掘概述 | 第75-80页 |
| ·基于FS-tree的关联规则挖掘算法 | 第80-88页 |
| ·利用FS-tree算法分析用户的浏览行为 | 第88-89页 |
| ·本章小结 | 第89-91页 |
| 6 基于协同过滤的用户订阅行为分析 | 第91-107页 |
| ·协同过滤推荐算法 | 第91-97页 |
| ·基于项目分类的协同过滤算法(BIC-CF) | 第97-102页 |
| ·利用BIC-CF算法分析用户的订阅行为 | 第102-106页 |
| ·本章小结 | 第106-107页 |
| 7 智能广告推荐策略 | 第107-116页 |
| ·初始广告推荐集的产生 | 第107-111页 |
| ·广告的过滤 | 第111-113页 |
| ·混合推荐策略 | 第113-115页 |
| ·本章小结 | 第115-116页 |
| 8 基于决策树的广告客户流失分析 | 第116-126页 |
| ·广告客户流失的概念 | 第116-118页 |
| ·广告客户流失模型的建立 | 第118-122页 |
| ·基于决策树的广告客户流失模型 | 第122-125页 |
| ·本章小结 | 第125-126页 |
| 9 总结与展望 | 第126-128页 |
| ·本文主要工作 | 第126-127页 |
| ·未来研究展望 | 第127-128页 |
| 致谢 | 第128-129页 |
| 参考文献 | 第129-143页 |
| 附录1 攻读博士学位期间发表论文目录 | 第143-144页 |
| 附录2 攻读博士学位期间参加的科研课题 | 第144页 |