基于机器学习的信息搜索优化排序
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13页 |
| 1.4 本文组织 | 第13-14页 |
| 第2章 用户状态分析 | 第14-26页 |
| 2.1 用户本质属性分析 | 第14-18页 |
| 2.2 用户行为属性分析 | 第18-22页 |
| 2.3 用户状态分析 | 第22-26页 |
| 2.3.1 支持度、置信度和提升度 | 第22-23页 |
| 2.3.2 Apriori算法 | 第23-24页 |
| 2.3.3 频繁项的用户状态分析 | 第24-26页 |
| 第3章 信息状态分析 | 第26-34页 |
| 3.1 信息本质属性分析 | 第26-27页 |
| 3.2 信息给予属性分析 | 第27-28页 |
| 3.3 信息状态分析 | 第28页 |
| 3.4 K-MEDIODS | 第28-30页 |
| 3.5 决策树分类 | 第30-34页 |
| 第4章 冷启动处理 | 第34-37页 |
| 4.1 MAP | 第34-35页 |
| 4.2 NDCG | 第35页 |
| 4.3 LFM模型 | 第35-36页 |
| 4.4 列级排序 | 第36-37页 |
| 第5章 模型建立及评估 | 第37-43页 |
| 5.1 模型建立 | 第37-38页 |
| 5.2 实现过程 | 第38-39页 |
| 5.3 模型评估 | 第39-40页 |
| 5.4 实际案例分析 | 第40-43页 |
| 第6章 总结和展望 | 第43-45页 |
| 6.1 总结 | 第43页 |
| 6.2 展望 | 第43-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47-48页 |
| 附录 | 第48-50页 |
