| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 行为分析技术研究现状 | 第12-13页 |
| 1.2.2 用户细分技术研究现状 | 第13页 |
| 1.2.3 个性化推荐技术研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-17页 |
| 第二章 相关理论与技术研究 | 第17-30页 |
| 2.1 用户管理系统分析 | 第17-19页 |
| 2.1.1 系统业务流程 | 第17-18页 |
| 2.1.2 系统功能分析 | 第18-19页 |
| 2.1.3 系统数据分析 | 第19页 |
| 2.2 用户细分相关技术研究 | 第19-21页 |
| 2.2.1 用户细分的概念及意义 | 第19-20页 |
| 2.2.2 用户细分方法 | 第20页 |
| 2.2.3 细分方法对比 | 第20-21页 |
| 2.3 聚类分析相关技术研究 | 第21-23页 |
| 2.3.1 聚类分析概念 | 第21页 |
| 2.3.2 聚类算法分类 | 第21-22页 |
| 2.3.3 常见聚类算法对比 | 第22-23页 |
| 2.4 个性化推荐相关技术研究 | 第23-25页 |
| 2.4.1 个性化推荐概念及意义 | 第23-24页 |
| 2.4.2 推荐系统模型 | 第24页 |
| 2.4.3 常见推荐方法 | 第24-25页 |
| 2.4.4 推荐方法对比 | 第25页 |
| 2.5 协同过滤相关技术研究 | 第25-29页 |
| 2.5.1 协同过滤原理 | 第25-26页 |
| 2.5.2 协同过滤步骤 | 第26-27页 |
| 2.5.3 基于用户的协同过滤 | 第27-28页 |
| 2.5.4 基于物品的协同过滤 | 第28页 |
| 2.5.5 协同过滤算法对比 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 K-MEANS算法的改进研究 | 第30-37页 |
| 3.1 经典K-MEANS算法 | 第30-31页 |
| 3.1.1 K-means算法原理 | 第30页 |
| 3.1.2 K-means算法流程 | 第30-31页 |
| 3.2 基于离散因子自适应权重的K-MEANS改进算法 | 第31-34页 |
| 3.2.1 离散程度测度指标 | 第31-32页 |
| 3.2.2 离散因子赋权 | 第32-33页 |
| 3.2.3 算法流程 | 第33-34页 |
| 3.3 改进算法结果分析 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 协同过滤推荐算法的改进研究 | 第37-45页 |
| 4.1 常用相似度计算方法及对比 | 第37-39页 |
| 4.2 经典皮尔逊相似度的不足 | 第39页 |
| 4.3 改进用户相似度的协同过滤算法 | 第39-42页 |
| 4.3.1 用户共同评价项目个数对相似度的影响 | 第39-40页 |
| 4.3.2 项目热门程度对相似度的影响 | 第40-41页 |
| 4.3.3 算法流程 | 第41-42页 |
| 4.4 改进算法结果分析 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 行为分析功能的设计与实现 | 第45-60页 |
| 5.1 系统需求描述 | 第45-47页 |
| 5.1.1 业务需求 | 第45页 |
| 5.1.2 数据特点 | 第45-46页 |
| 5.1.3 功能需求 | 第46-47页 |
| 5.2 系统设计 | 第47-48页 |
| 5.2.1 软件整体架构 | 第47页 |
| 5.2.2 软件功能模块设计 | 第47-48页 |
| 5.3 用户细分模块的设计与实现 | 第48-54页 |
| 5.3.1 用户细分分析模型的构建 | 第48-50页 |
| 5.3.2 用户细分的执行流程 | 第50页 |
| 5.3.3 细分变量选取 | 第50-51页 |
| 5.3.4 表结构设计 | 第51页 |
| 5.3.5 数据预处理 | 第51-53页 |
| 5.3.6 k值的选取 | 第53-54页 |
| 5.3.7 用户细分模块的实现 | 第54页 |
| 5.4 个性化推荐模块的设计与实现 | 第54-59页 |
| 5.4.1 改进协同过滤混合推荐策略设计 | 第54-55页 |
| 5.4.2 改进协同过滤混合推荐流程设计 | 第55页 |
| 5.4.3 表结构设计 | 第55-56页 |
| 5.4.4 数据预处理 | 第56页 |
| 5.4.5 基于人口统计学的用户分组 | 第56-57页 |
| 5.4.6 聚类个数选取 | 第57-58页 |
| 5.4.7 个性化推荐模块实现 | 第58-59页 |
| 5.5 本章小结 | 第59-60页 |
| 第六章 实验结果与分析 | 第60-68页 |
| 6.1 实验背景 | 第60页 |
| 6.1.1 实验环境 | 第60页 |
| 6.1.2 实验数据 | 第60页 |
| 6.2 用户细分实验结果与分析 | 第60-63页 |
| 6.2.1 用户细分评估标准 | 第60-61页 |
| 6.2.2 实验方案 | 第61页 |
| 6.2.3 结果分析 | 第61-63页 |
| 6.3 个性化推荐实验结果与分析 | 第63-66页 |
| 6.3.1 实验评估标准 | 第63-64页 |
| 6.3.2 实验方案 | 第64页 |
| 6.3.3 实验结果分析 | 第64-66页 |
| 6.4 实验结论 | 第66-67页 |
| 6.5 本章小结 | 第67-68页 |
| 第七章 总结与展望 | 第68-70页 |
| 7.1 全文总结 | 第68页 |
| 7.2 下一步工作展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 在学期间的研究成果 | 第73-74页 |
| 致谢 | 第74页 |