| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8页 |
| 1.1.2 研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 情境感知研究 | 第9-10页 |
| 1.2.2 移动终端用户行为研究 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 相关技术分析 | 第13-24页 |
| 2.1 情境感知 | 第13-15页 |
| 2.1.1 情境和情境感知 | 第13-14页 |
| 2.1.2 情境感知计算 | 第14-15页 |
| 2.2 移动终端情境数据采集 | 第15-18页 |
| 2.3 情境预处理 | 第18-20页 |
| 2.3.1 常规信息预处理 | 第18-19页 |
| 2.3.2 情境数据预处理 | 第19-20页 |
| 2.4 基于位置的服务 | 第20-21页 |
| 2.5 用户行为分析 | 第21-23页 |
| 2.6 本章小节 | 第23-24页 |
| 3 移动环境下用户情境获取与相似度计算 | 第24-34页 |
| 3.1 移动终端情境信息获取与处理 | 第24-30页 |
| 3.1.1 情境分类获取策略 | 第24-27页 |
| 3.1.2 情境量化模型构建 | 第27-30页 |
| 3.2 用户情境相似度计算 | 第30-33页 |
| 3.2.1 基于信息熵的情境权重计算 | 第30-31页 |
| 3.2.2 情境相似度计算 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 4 基于情境相似度的用户消费行为预测算法 | 第34-55页 |
| 4.1 移动终端用户消费行为预测模型 | 第34-35页 |
| 4.2 基于情境相似度和二次聚类的协同过滤算法(CTCF) | 第35-42页 |
| 4.2.1 数据模型 | 第35页 |
| 4.2.2 CTCF算法 | 第35-39页 |
| 4.2.3 实验及结果分析 | 第39-42页 |
| 4.3 基于情境相似度的关联规则算法 | 第42-54页 |
| 4.3.1 Apriori算法及分析 | 第43-44页 |
| 4.3.2 Apriori算法改进 | 第44-49页 |
| 4.3.3 实验及结果分析 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 5 基于用户消费行为预测的自助导购系统原型设计 | 第55-62页 |
| 5.1 系统概述 | 第55页 |
| 5.2 系统功能设计 | 第55-57页 |
| 5.3 系统体系架构 | 第57-59页 |
| 5.3.1 系统网络结构 | 第57-58页 |
| 5.3.2 系统总体架构 | 第58-59页 |
| 5.4 系统原型效果分析 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 6 结论与展望 | 第62-64页 |
| 6.1 结论 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| A. 作者在攻读硕士学位期间发表的学术论文目录 | 第69页 |
| B. 作者在攻读硕士学位期间参与的科研项目 | 第69页 |