| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1 金工保系统简介 | 第8-10页 |
| 2 机器学习方法国内外研究现状 | 第10-11页 |
| 3 论文的主要贡献 | 第11-12页 |
| 4 论文的组织架构 | 第12-14页 |
| 第二章 机器学习方法介绍 | 第14-32页 |
| 1 分类问题 | 第14-19页 |
| 1.1 决策树 | 第14-15页 |
| 1.2 logistic回归 | 第15-16页 |
| 1.3 支持向量机 | 第16-17页 |
| 1.4 分类问题的评价指标 | 第17-19页 |
| 2 回归问题 | 第19-20页 |
| 2.1 线性回归 | 第19页 |
| 2.2 岭回归 | 第19页 |
| 2.3 Lasso回归 | 第19-20页 |
| 2.4 Elastic Net | 第20页 |
| 2.5 回归问题的评价指标 | 第20页 |
| 3 聚类问题 | 第20-22页 |
| 3.1 k-means聚类 | 第21页 |
| 3.2 层次聚类 | 第21页 |
| 3.3 密度聚类 | 第21-22页 |
| 3.4 聚类问题的评价指标 | 第22页 |
| 4 推荐问题 | 第22-28页 |
| 4.1 基于邻域的推荐算法 | 第22-24页 |
| 4.2 矩阵分解模型(matrix factorization) | 第24页 |
| 4.3 基于图的模型 | 第24-25页 |
| 4.4 相似度的计算 | 第25-26页 |
| 4.5 推荐算法的冷启动问题: | 第26-27页 |
| 4.6 推荐算法的评价指标 | 第27-28页 |
| 5 常用的优化算法 | 第28-30页 |
| 5.1 梯度下降法(gradient descent) | 第28-29页 |
| 5.2 牛顿法和拟牛顿法 | 第29-30页 |
| 5.3 共轭梯度法(conjugate gradient) | 第30页 |
| 6 本章小结 | 第30-32页 |
| 第三章 金工保系统数据 | 第32-40页 |
| 1 金工保数据描述 | 第32-35页 |
| 1.1 企业资质数据 | 第32-33页 |
| 1.2 标的地域信息 | 第33-34页 |
| 1.3 工程价格数据 | 第34页 |
| 1.4 企业的投标次数 | 第34-35页 |
| 1.5 企业的中标次数 | 第35页 |
| 1.6 企业的中标平均金额 | 第35页 |
| 2 本文使用的数据 | 第35-36页 |
| 2.1 招标信息个性化推荐使用的数据： | 第35-36页 |
| 2.2 企业竞争力预测使用的数据： | 第36页 |
| 3 数据的收集 | 第36-40页 |
| 3.1 招标信息个性化推荐数据的收集 | 第36-37页 |
| 3.2 企业竞争力预测数据的收集 | 第37-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第四章 招标信息的个性化推荐 | 第40-48页 |
| 1 问题 | 第40-41页 |
| 2 方法 | 第41-45页 |
| 2.1 相似度计算方法 | 第41-42页 |
| 2.2 算法 | 第42-45页 |
| 3 实验结果及分析 | 第45-46页 |
| 4 本章小结 | 第46-48页 |
| 第五章 企业的竞争力预测 | 第48-52页 |
| 1 问题 | 第48页 |
| 2 方法 | 第48-50页 |
| 2.1 算法 | 第49页 |
| 2.2 算法度量的指标 | 第49-50页 |
| 3 实验结果及分析 | 第50-51页 |
| 4 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 1 本文总结 | 第52页 |
| 2 后续研究与展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 致谢 | 第56-58页 |
| 攻读学位期间发表的学术论文目录 | 第58页 |
