| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.3 本文主要工作 | 第17页 |
| 1.4 本文组织结构 | 第17-19页 |
| 第2章 相关研究综述 | 第19-28页 |
| 2.1 聚类算法 | 第19-23页 |
| 2.1.1 K-means算法简介 | 第19-21页 |
| 2.1.2 K-medoids算法简介 | 第21-22页 |
| 2.1.3 Leader聚类算法简介 | 第22-23页 |
| 2.2 推荐算法 | 第23-26页 |
| 2.2.1 基于内容的推荐 | 第24页 |
| 2.2.2 基于关联规则的推荐 | 第24-25页 |
| 2.2.3 基于隐式反馈的推荐 | 第25-26页 |
| 2.3 用户个性化数据获取 | 第26-27页 |
| 2.3.1 获取显式用户行为数据 | 第26-27页 |
| 2.3.2 获取隐式用户行为数据 | 第27页 |
| 2.4 小结 | 第27-28页 |
| 第3章 隐式用户行为数据挖掘算法分析与改进 | 第28-37页 |
| 3.1 推荐算法改进 | 第28-33页 |
| 3.1.1 算法改进思想 | 第28-29页 |
| 3.1.2 用户兴趣指标 | 第29页 |
| 3.1.3 时间遗忘因子 | 第29-30页 |
| 3.1.4 JMATRIX算法构建有向图模型 | 第30-31页 |
| 3.1.5 JMATRIX算法构建矩阵模型 | 第31-32页 |
| 3.1.6 JMATRIX算法求解用户相似度 | 第32-33页 |
| 3.2 聚类算法改进 | 第33-36页 |
| 3.2.1 算法改进思想 | 第33-34页 |
| 3.2.2 粗糙集理论 | 第34页 |
| 3.2.3 粗糙集leader聚类算法进行用户聚类 | 第34-36页 |
| 3.3 小结 | 第36-37页 |
| 第4章 基于隐式用户行为数据实现个性化推荐 | 第37-50页 |
| 4.1 智慧校园学习模块结构 | 第37-38页 |
| 4.2 个性化推荐系统 | 第38-41页 |
| 4.2.1 推荐系统框架 | 第38-39页 |
| 4.2.2 推荐系统算法实现流程 | 第39-41页 |
| 4.3 相关系统与数据集 | 第41-42页 |
| 4.3.1 相关系统 | 第41页 |
| 4.3.2 数据集 | 第41-42页 |
| 4.3.3 数据预处理 | 第42页 |
| 4.4 实验结果与分析 | 第42-49页 |
| 4.4.1 推荐指标 | 第42-43页 |
| 4.4.2 参数优化 | 第43-45页 |
| 4.4.3 实验结果 | 第45-46页 |
| 4.4.4 算法比对结果 | 第46-47页 |
| 4.4.5 推荐成果展示 | 第47-49页 |
| 4.4.6 推荐成果市场调研 | 第49页 |
| 4.5 小结 | 第49-50页 |
| 第5章 基于隐式用户行为数据实现产品优化 | 第50-58页 |
| 5.1 智慧校园APP运营现状分析 | 第50页 |
| 5.2 相关系统与数据集 | 第50-51页 |
| 5.2.1 相关系统 | 第50-51页 |
| 5.2.2 数据集 | 第51页 |
| 5.3 产品功能菜单优化设计 | 第51-54页 |
| 5.3.1 关键指标分析 | 第51-52页 |
| 5.3.2 基于功能菜单点击数据优化 | 第52-53页 |
| 5.3.3 基于功能菜单跳转路径优化 | 第53-54页 |
| 5.4 产品运营策略优化 | 第54-57页 |
| 5.4.1 运营指标分析 | 第54-55页 |
| 5.4.2 产品运营整体监测 | 第55-56页 |
| 5.4.3 产品核心用户保护机制 | 第56-57页 |
| 5.5 小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 附录A 攻读学位期间发表的论文和专利 | 第65-66页 |
| 致谢 | 第66页 |