基于用户细分及组合相似度的个性化推荐算法的研究与实现
| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-16页 |
| ·选题背景及研究意义 | 第9-11页 |
| ·选题背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·国内外研究现状 | 第11-13页 |
| ·国外研究现状 | 第11-12页 |
| ·国内研究现状 | 第12-13页 |
| ·稀疏数据和冷启动问题研究现状 | 第13页 |
| ·本文的主要工作和创新点 | 第13-15页 |
| ·论文结构 | 第15-16页 |
| 第二章 个性化推荐技术 | 第16-25页 |
| ·主流推荐技术 | 第16-20页 |
| ·基于人口统计学的推荐方法 | 第16-17页 |
| ·基于内容的推荐方法 | 第17-18页 |
| ·基于协同过滤的推荐方法 | 第18-20页 |
| ·推荐系统的评价方法和指标 | 第20-21页 |
| ·准确率指标 | 第20页 |
| ·评价方法 | 第20-21页 |
| ·可用性 | 第21页 |
| ·数据集及常见处理方式 | 第21-24页 |
| ·推荐系统的输入数据 | 第21-23页 |
| ·推荐系统的输出数据 | 第23页 |
| ·数据集介绍 | 第23-24页 |
| ·推荐问题的形式化 | 第24页 |
| ·本章小结 | 第24-25页 |
| 第三章 推荐算法应用与分析 | 第25-32页 |
| ·关联规则推荐的一般性描述 | 第25-27页 |
| ·关联规则推荐表示 | 第25-26页 |
| ·关联规则推荐算法 | 第26-27页 |
| ·常用聚类算法介绍 | 第27-28页 |
| ·K-Means++ Cluster算法 | 第27页 |
| ·Two-Step Cluster算法 | 第27-28页 |
| ·推荐算法算法介绍 | 第28-31页 |
| ·Item-Based CF算法 | 第28-29页 |
| ·SlopeOne推荐算法 | 第29-31页 |
| ·算法代码实现介绍 | 第31页 |
| ·本章小结 | 第31-32页 |
| 第四章 基于用户细分的个性化推荐策略 | 第32-46页 |
| ·问题描述 | 第32页 |
| ·用户细分推荐策略研究 | 第32-33页 |
| ·基于ITEM-BASED用户细分推荐方法 | 第33-38页 |
| ·深度阅读用户细分 | 第33-37页 |
| ·非深度阅读用户群 | 第37-38页 |
| ·用户点击率与用户购买率 | 第38页 |
| ·基于SLOPEONE用户细分推荐方法 | 第38-41页 |
| ·深度阅读用户细分 | 第38-40页 |
| ·非深度阅读用户群 | 第40-41页 |
| ·用户点击率与用户购买率 | 第41页 |
| ·新用户活跃度提升方法 | 第41-44页 |
| ·营销价值群体 | 第42页 |
| ·营销时间 | 第42-43页 |
| ·一级分类内容偏好 | 第43-44页 |
| ·营销推荐内容 | 第44页 |
| ·新用户活跃度提升效果分析 | 第44页 |
| ·用户细分推荐策略实验结果 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第五章 面向稀疏数据与冷启动问题的组合推荐方法 | 第46-55页 |
| ·问题描述 | 第46页 |
| ·基于指定后件项的规则推荐方法 | 第46-48页 |
| ·规则度量方法 | 第46-47页 |
| ·规则评分方法 | 第47-48页 |
| ·基于AR和CF的推荐方法 | 第48-50页 |
| ·相似性度量方法 | 第48-49页 |
| ·预测评分方法 | 第49-50页 |
| ·线性组合相似度推荐策略 | 第50页 |
| ·实验结果及对比分析 | 第50-53页 |
| ·实验对比结果 | 第50页 |
| ·指标参数分析 | 第50-53页 |
| ·冷启动问题比较 | 第53页 |
| ·相似性度量方法比较 | 第53页 |
| ·本章小结 | 第53-55页 |
| 第六章 总结和展望 | 第55-57页 |
| ·工作总结 | 第55页 |
| ·进一步研究展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 攻读学位期间取得的科研成果清单 | 第64页 |
