基于内容及行为过滤的电商搭配推荐算法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章. 绪论 | 第11-22页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究现状 | 第13-18页 |
| 1.3.1 基于协同过滤的推荐方案 | 第14-17页 |
| 1.3.1.1基于用户的协同过滤 | 第14-15页 |
| 1.3.1.2基于物品的协同过滤 | 第15-16页 |
| 1.3.1.3基于模型的协同过滤 | 第16-17页 |
| 1.3.2 基于内容的推荐方案 | 第17-18页 |
| 1.4 研究内容 | 第18-21页 |
| 1.4.1 商品的行为信息 | 第19页 |
| 1.4.2 商品的文本信息 | 第19页 |
| 1.4.3 商品间的搭配关系 | 第19-21页 |
| 1.5 论文组织结构 | 第21-22页 |
| 第2章. 搭配推荐中的算法模型 | 第22-36页 |
| 2.1 文档逆向文件频率 | 第22-23页 |
| 2.2 相似度的计算 | 第23-24页 |
| 2.2.1 余弦相似度 | 第23页 |
| 2.2.2 欧式距离 | 第23-24页 |
| 2.3 协同购买模型 | 第24-26页 |
| 2.4 主题模型 | 第26-31页 |
| 2.4.1 PLSA模型 | 第27-29页 |
| 2.4.2 LDA模型 | 第29-31页 |
| 2.5 标签传播模型 | 第31-33页 |
| 2.6 梯度提升决策树 | 第33-34页 |
| 2.7 本章小结 | 第34-36页 |
| 第3章. 基于内容及行为的商品信息挖掘 | 第36-44页 |
| 3.1 方案概述 | 第36-37页 |
| 3.2 构建虚拟子类目的搭配关系 | 第37-40页 |
| 3.3 商品文本相似度的计算 | 第40-41页 |
| 3.4 基于商品文本信息的主题模型 | 第41-42页 |
| 3.5 基于商品购买数据的协同过滤 | 第42-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章. 模型融合与搭配推荐 | 第44-50页 |
| 4.1 方案概述 | 第44页 |
| 4.2 基于GBDT的模型融合 | 第44-48页 |
| 4.2.1 数据预处理 | 第45-46页 |
| 4.2.2 特征工程 | 第46页 |
| 4.2.3 模型训练 | 第46-47页 |
| 4.2.4 模型预测 | 第47-48页 |
| 4.3 基于商品搭配关系的推荐 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章. 测试与评估 | 第50-60页 |
| 5.1 数据集 | 第50-52页 |
| 5.2 评价指标 | 第52页 |
| 5.3 对比算法 | 第52-53页 |
| 5.4 实验结果对比 | 第53-57页 |
| 5.4.1模型参数对结果影响 | 第53-56页 |
| 5.4.2不同算法结果对比 | 第56-57页 |
| 5.5 搭配关系对电商推荐的意义 | 第57-58页 |
| 5.6 本章小结 | 第58-60页 |
| 总结与展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 致谢 | 第64页 |
