O2O项目用户数据挖掘及行为分析研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究发展现状 | 第11-13页 |
| 1.2.1 O2O模式发展现状 | 第11-12页 |
| 1.2.2 个性化推荐系统研究现状 | 第12-13页 |
| 1.3 论文主要研究内容及组织结构 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 第2章 相关理论及技术综述 | 第15-25页 |
| 2.1 数据挖掘 | 第15-17页 |
| 2.1.1 数据挖掘概述 | 第15页 |
| 2.1.2 数据挖掘步骤 | 第15-16页 |
| 2.1.3 数据挖掘主要技术 | 第16-17页 |
| 2.2 用户行为分析 | 第17-21页 |
| 2.2.1 用户行为数据 | 第17-18页 |
| 2.2.2 用户行为的特点和分类 | 第18-19页 |
| 2.2.3 用户行为数据的特征 | 第19-20页 |
| 2.2.4 用户行为复杂性分析 | 第20页 |
| 2.2.5 数据挖掘与用户行为分析的关系 | 第20-21页 |
| 2.3 个性化推荐技术研究 | 第21-24页 |
| 2.3.1 基于协同过滤的推荐技术 | 第21页 |
| 2.3.2 其他推荐技术 | 第21-23页 |
| 2.3.3 推荐技术的比较 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 聚类算法和协同过滤算法 | 第25-34页 |
| 3.1 聚类算法的分类 | 第25-28页 |
| 3.1.1 基于划分的方法 | 第25-27页 |
| 3.1.2 基于层次的方法 | 第27页 |
| 3.1.3 基于密度的方法 | 第27-28页 |
| 3.1.4 基于网格的方法 | 第28页 |
| 3.2 协同过滤算法 | 第28-32页 |
| 3.2.1 基于用户的协同过滤推荐算法 | 第28-30页 |
| 3.2.2 基于项目的协同过滤推荐算法 | 第30页 |
| 3.2.3 协同过滤推荐算法的主要问题和对策 | 第30-32页 |
| 3.3 相似度计算方法 | 第32-33页 |
| 3.3.1 余弦相似性 | 第32页 |
| 3.3.2 修正余弦相似性 | 第32-33页 |
| 3.3.3 Pearson相关系数 | 第33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 基于用户聚类的优化协同过滤推荐算法 | 第34-43页 |
| 4.1 引言 | 第34页 |
| 4.2 聚类算法的选取 | 第34页 |
| 4.3 基于用户聚类的协同过滤推荐算法 | 第34-40页 |
| 4.3.1 改进推荐算法的依据 | 第35-38页 |
| 4.3.2 一致性因子的计算方式 | 第38-40页 |
| 4.4 推荐算法流程 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第5章 实验设计与结果分析 | 第43-52页 |
| 5.1 实验环境和测试数据 | 第43-45页 |
| 5.1.1 实验环境 | 第43页 |
| 5.1.2 测试数据 | 第43-45页 |
| 5.2 数据预处理 | 第45-46页 |
| 5.3 实验评估标准 | 第46-47页 |
| 5.4 实验结果与分析 | 第47-51页 |
| 5.5 本章小结 | 第51-52页 |
| 第6章 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第57-58页 |
| 致谢 | 第58页 |
