基于位置服务的电子商务推荐算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-10页 |
| Contents | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 课题研究背景与意义 | 第13-15页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 国外研究现状 | 第15-17页 |
| 1.2.2 国内研究现状 | 第17页 |
| 1.2.3 现有研究中存在的问题 | 第17-18页 |
| 1.3 论文主要内容与组织结构 | 第18-21页 |
| 1.3.1 论文主要内容 | 第18-19页 |
| 1.3.2 论文组织结构 | 第19-21页 |
| 第二章 相关技术及理论介绍 | 第21-33页 |
| 2.1 电子商务个性化推荐系统理论基础 | 第21-23页 |
| 2.1.1 推荐系统的概述 | 第21-22页 |
| 2.1.2 推荐系统的基本作用 | 第22-23页 |
| 2.2 推荐技术的类别与优劣 | 第23-29页 |
| 2.2.1 基于内容的推荐 | 第24-26页 |
| 2.2.2 协同过滤推荐 | 第26-28页 |
| 2.2.3 混合推荐的技术 | 第28-29页 |
| 2.2.4 其他推荐技术 | 第29页 |
| 2.3 移动电商推荐的特点分析 | 第29-31页 |
| 2.3.1 移动电商的特点简介 | 第29-30页 |
| 2.3.2 移动场景下推荐的特点 | 第30页 |
| 2.3.3 算法需满足移动电商的要求 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于位置服务的使用者倾向模型研究 | 第33-45页 |
| 3.1 影响使用者倾向的信息介绍 | 第33-37页 |
| 3.1.1 使用者信息 | 第33-35页 |
| 3.1.2 项目信息 | 第35-36页 |
| 3.1.3 场景信息 | 第36-37页 |
| 3.2 影响使用者倾向的信息的获取 | 第37-38页 |
| 3.2.1 获取显性信息 | 第37页 |
| 3.2.2 获取隐性信息 | 第37-38页 |
| 3.3 模型的表示方法 | 第38-39页 |
| 3.4 基于位置服务的使用者倾向模型的表示 | 第39-42页 |
| 3.4.1 场景在推荐系统中的应用 | 第39-40页 |
| 3.4.2 场景与使用者倾向的结合 | 第40-41页 |
| 3.4.3 基于位置服务的使用者倾向模型 | 第41-42页 |
| 3.5 本章小结 | 第42-45页 |
| 第四章 基于位置服务推荐算法的研究与构建 | 第45-59页 |
| 4.1 场景相似度的算法的研究与设计 | 第45-49页 |
| 4.1.1 场景相似度的计算 | 第45-47页 |
| 4.1.2 场景相似度的计算过程 | 第47-49页 |
| 4.2 使用者倾向度的算法的研究与设计 | 第49-52页 |
| 4.2.1 各项属性的量纲化 | 第49-50页 |
| 4.2.2 如何计算权重和加权矩阵 | 第50-51页 |
| 4.2.3 计算项目的使用者倾向度的值 | 第51-52页 |
| 4.3 结合位置和倾向度的推荐机制 | 第52-56页 |
| 4.3.1 场景信息的使用 | 第52-53页 |
| 4.3.2 基于位置服务推荐算法的流程 | 第53-56页 |
| 4.3.3 基于位置服务推荐算法的描述 | 第56页 |
| 4.4 本章小结 | 第56-59页 |
| 第五章 实证分析 | 第59-71页 |
| 5.1 实验环境简述 | 第59-60页 |
| 5.2 设计基于位置服务的推荐算法的实验 | 第60-65页 |
| 5.2.1 数据来源 | 第60-62页 |
| 5.2.2 设计实验方案 | 第62-64页 |
| 5.2.3 设计实验流程 | 第64-65页 |
| 5.3 分析实验结果 | 第65-70页 |
| 5.3.1 敏感度测试分析 | 第65-68页 |
| 5.3.2 推荐精度测试分析 | 第68-69页 |
| 5.3.3 响应时间测试分析 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 结论 | 第71-73页 |
| 参考文献 | 第73-75页 |
| 硕士在读期间科研成果 | 第75-77页 |
| 致谢 | 第77页 |
