| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 个性化电子书推荐服务的研究现状 | 第13-15页 |
| 1.2.2 群体用户的电子书热门推荐榜单定制算法的研究现状 | 第15页 |
| 1.3 论文主要研究内容 | 第15-17页 |
| 1.4 论文组织与结构 | 第17-18页 |
| 第二章 相关技术 | 第18-27页 |
| 2.1 个性化推荐相关技术 | 第18-22页 |
| 2.1.1 协同过滤推荐算法 | 第18-20页 |
| 2.1.2 奇异值分解算法 | 第20-21页 |
| 2.1.3 基于用户行为反馈的推荐算法 | 第21-22页 |
| 2.2 热门排行榜单定制相关技术 | 第22-26页 |
| 2.2.1 决策树简介 | 第23-24页 |
| 2.2.2 随机森林和其生成方法 | 第24-25页 |
| 2.2.3 Logistic回归简介 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 基于用户隐性反馈的电子书籍个性化推荐算法 | 第27-52页 |
| 3.1 问题的提出 | 第27-28页 |
| 3.2 数据预处理 | 第28-33页 |
| 3.2.1 数据处理工具——Hadoop | 第29-30页 |
| 3.2.2 数据处理过程 | 第30-33页 |
| 3.3 算法设计思路 | 第33页 |
| 3.4 阅读行为建模 | 第33-37页 |
| 3.4.1 阅读速度感知模型 | 第33-35页 |
| 3.4.2 阅读书籍比重模型 | 第35-36页 |
| 3.4.3 速度-比重模型 | 第36-37页 |
| 3.5 基于协同过滤/SVD的书籍推荐列表生成 | 第37-41页 |
| 3.5.1 基于协同过滤的书籍推荐列表生成 | 第38-39页 |
| 3.5.2 基于奇异值分解(SVD)的书籍推荐列表生成 | 第39-41页 |
| 3.6 推荐排名误差累积法 | 第41-43页 |
| 3.7 系统框架结构 | 第43-44页 |
| 3.8 实验结果 | 第44-50页 |
| 3.9 本章小结 | 第50-52页 |
| 第四章 阅读量驱动的电子书籍热门榜单定制算法 | 第52-77页 |
| 4.1 问题的提出 | 第52-53页 |
| 4.2 基础数据分析 | 第53-57页 |
| 4.2.1 排行榜热门书籍每天的变动情况 | 第54-57页 |
| 4.3 算法设计思路 | 第57-59页 |
| 4.4 基于时间衰减的随机森林分类算法（TDRF） | 第59-63页 |
| 4.4.1 衰减函数 | 第60-62页 |
| 4.4.2 潜在上榜书籍预测 | 第62-63页 |
| 4.5 基于行为数据的重排序模型（BBRR） | 第63-65页 |
| 4.5.1 BBRR重排序模型 | 第64-65页 |
| 4.5.2 利用最小二乘法对BBRR模型调参 | 第65页 |
| 4.6 实验结果及分析 | 第65-76页 |
| 4.6.1 TDRF模型的分类评估 | 第67-70页 |
| 4.6.2 改进的NDCG排名评估法 | 第70-72页 |
| 4.6.3 BBRR模型排序效果评估 | 第72-76页 |
| 4.7 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-80页 |
| 5.1 研究工作总结 | 第77-78页 |
| 5.2 展望 | 第78-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-87页 |
| 攻读学位期间参加的科研项目和成果 | 第87页 |
