| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 相关研究现状 | 第13-16页 |
| 1.2.1 再访问预测问题的研究现状 | 第13-15页 |
| 1.2.2 隐马尔可夫模型的研究现状 | 第15页 |
| 1.2.3 集成学习的研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文结构安排 | 第17-18页 |
| 第二章 基于隐马尔可夫模型的平台再访问预测 | 第18-32页 |
| 2.1 问题与模型简述 | 第18页 |
| 2.2 隐马尔可夫模型介绍 | 第18-21页 |
| 2.2.1 隐马尔可夫模型定义 | 第18-20页 |
| 2.2.2 观测序列的生成过程 | 第20-21页 |
| 2.3 基于隐马尔可夫模型的用户对平台的再访问预测模型 | 第21-27页 |
| 2.3.1 概率计算算法解决概率计算问题 | 第21-24页 |
| 2.3.2 学习算法解决学习问题 | 第24-27页 |
| 2.4 实验 | 第27-31页 |
| 2.4.1 数据集 | 第27-29页 |
| 2.4.2 实验过程 | 第29-30页 |
| 2.4.3 实验结果 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于集成学习的用户对商家的精准再访问预测 | 第32-50页 |
| 3.1 问题提出与模型设计 | 第32-33页 |
| 3.1.1 问题提出 | 第32页 |
| 3.1.2 模型设计 | 第32-33页 |
| 3.2 数据预处理与特征提取 | 第33-37页 |
| 3.2.1 数据预处理 | 第33-34页 |
| 3.2.2 特征工程 | 第34-37页 |
| 3.3 基于集成学习的用户对商家的精确再访问预测模型 | 第37-45页 |
| 3.3.1 样本类别不平衡处理方法 | 第37-38页 |
| 3.3.2 Stacking集成学习 | 第38-44页 |
| 3.3.3 交叉验证选最优阈值 | 第44-45页 |
| 3.4 实验 | 第45-48页 |
| 3.4.1 数据集 | 第45页 |
| 3.4.2 实验过程 | 第45-47页 |
| 3.4.3 实验结果与分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第四章 总结与展望 | 第50-52页 |
| 4.1 文章总结 | 第50页 |
| 4.2 展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-58页 |
| 攻读学位期间参加科研情况 | 第58-59页 |
| 学位论文评阅及答辩情况表 | 第59页 |