| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 移动推荐系统研究历史和现状 | 第14-16页 |
| 1.4 现有研究中存在的问题 | 第16-17页 |
| 1.5 研究内容与论文结构 | 第17-19页 |
| 1.5.1 主要研究内容 | 第17页 |
| 1.5.2 论文组织结构 | 第17-19页 |
| 2 O2O移动电子商务及相关推荐算法理论 | 第19-32页 |
| 2.1 O2O移动电子商务系统的研究 | 第19-21页 |
| 2.1.1 O2O移动电子商务发展概况 | 第19页 |
| 2.1.2 O2O与B2C模式的差异性 | 第19-21页 |
| 2.2 位置信息在O2O电子商务中的应用 | 第21-22页 |
| 2.3 个性化推荐的相关理论 | 第22-24页 |
| 2.4 常见的几种主要推荐方法 | 第24-29页 |
| 2.4.1 基于内容推荐 | 第24-26页 |
| 2.4.2 基于协同过滤推荐 | 第26-28页 |
| 2.4.3 基于关联规则推荐 | 第28页 |
| 2.4.4 基于知识推荐 | 第28页 |
| 2.4.5 基于混合推荐 | 第28-29页 |
| 2.4.6 主要推荐方法的对比 | 第29页 |
| 2.5 移动推荐与传统互联网推荐的异同点 | 第29-30页 |
| 2.6 常见的基于上下文感知的移动推荐方法 | 第30-31页 |
| 2.7 适用推荐预测的机器学习算法 | 第31-32页 |
| 3 梯度提升回归算法的O2O电子商务推荐模型 | 第32-41页 |
| 3.1 O2O个性化推荐模型 | 第32-33页 |
| 3.2 梯度提升回归算法(Gradient Boost Decision Trees) | 第33-36页 |
| 3.2.1 决策树相关基础知识 | 第33-34页 |
| 3.2.2 梯度迭代(Gradient Boosting) | 第34-36页 |
| 3.3 基于用户位置特征改进的梯度提升回归算法NewGBDT | 第36-41页 |
| 3.3.1 移动用户基于位置与时间的偏好特征分析 | 第36-37页 |
| 3.3.2 基于位置和时间的移动推荐系统介绍 | 第37-38页 |
| 3.3.3 GBDT算法改进 | 第38-41页 |
| 4 数据预处理与特征设计 | 第41-49页 |
| 4.1 数据集说明 | 第41-44页 |
| 4.2 数据预处理 | 第44-45页 |
| 4.3 特征设计与提取 | 第45-49页 |
| 5 实验结果与分析 | 第49-54页 |
| 5.1 实验环境与平台搭建 | 第49页 |
| 5.2 评测方案选定 | 第49-51页 |
| 5.3 实验过程与结果分析 | 第51-53页 |
| 5.4 小结 | 第53-54页 |
| 6 总结与展望 | 第54-55页 |
| 6.1 论文的主要工作及成果 | 第54页 |
| 6.2 论文的不足之处及下一步研究方向 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 作者简介及读研期间主要科研成果 | 第59页 |
