| 摘要 | 第4-6页 |
| abstract | 第6-9页 |
| 1.绪论 | 第12-23页 |
| 1.1 研究的背景 | 第12-13页 |
| 1.2 研究的意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-20页 |
| 1.3.1 RFM模型的研究现状 | 第13-15页 |
| 1.3.2 推荐技术的研究现状 | 第15-18页 |
| 1.3.3 实体零售企业的现状 | 第18-20页 |
| 1.3.4 文献评述 | 第20页 |
| 1.4 论文主要内容 | 第20-21页 |
| 1.5 主要的创新点 | 第21-22页 |
| 1.6 论文技术路线图 | 第22-23页 |
| 2.相关理论概述 | 第23-36页 |
| 2.1 RFM模型理论 | 第23-25页 |
| 2.1.1 RFP模型 | 第24-25页 |
| 2.2 协同过滤算法理论 | 第25-30页 |
| 2.2.1 基于内存的协同过滤 | 第27-29页 |
| 2.2.2 协同过滤算法的优势及面临的问题 | 第29-30页 |
| 2.3 排序学习算法理论 | 第30-35页 |
| 2.3.1 基于样本对的排序学习算法 | 第32-34页 |
| 2.3.2 排序学习算法评价指标 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3.模型构建与特征提取 | 第36-62页 |
| 3.1 基于定性和定量结合分析法的RFP模型 | 第36-48页 |
| 3.1.1 RFP模型指标定性分析 | 第36-37页 |
| 3.1.2 RFP各指标定量分析 | 第37页 |
| 3.1.3 实验结果与分析 | 第37-48页 |
| 3.2 基于定性和定量结合分析RFP模型的协同过滤算法 | 第48-53页 |
| 3.2.1 基于定性和定量结合分析RFP模型的协同过滤算法流程 | 第48-50页 |
| 3.2.2 实验结果与分析 | 第50-53页 |
| 3.3 客户人口统计特征的选取 | 第53-61页 |
| 3.3.1 客户的年龄相似度的计算 | 第53-54页 |
| 3.3.2 客户性别相似度的计算 | 第54-55页 |
| 3.3.3 客户的职业相似度的计算 | 第55页 |
| 3.3.4 客户教育水平相似度的计算 | 第55页 |
| 3.3.5 客户综合特征相似度的计算 | 第55-56页 |
| 3.3.6 实验结果与分析 | 第56-61页 |
| 3.4 本章小结 | 第61-62页 |
| 4.个性化推荐算法及设计 | 第62-78页 |
| 4.1 基于混合相似度的协同过滤算法 | 第62-65页 |
| 4.1.1 基于混合相似度的协同过滤算法流程 | 第62页 |
| 4.1.2 实验结果与分析 | 第62-65页 |
| 4.2 基于混合相似度的排序学习算法 | 第65-74页 |
| 4.2.1 问题的转化 | 第65-66页 |
| 4.2.2 排序学习算法的融合 | 第66-70页 |
| 4.2.3 实验结果与分析 | 第70-74页 |
| 4.3 个性化推荐的设计 | 第74-76页 |
| 4.3.1 个性化推荐设计的目的 | 第74页 |
| 4.3.2 个性化推荐的具体设计 | 第74-76页 |
| 4.4 本章小结 | 第76-78页 |
| 5.总结与展望 | 第78-80页 |
| 5.1 论文总结 | 第78-79页 |
| 5.2 未来的研究展望 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 致谢 | 第86-87页 |
| 攻读硕士学位期间发表的论文及科研情况 | 第87页 |