| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 课题背景和意义 | 第11-12页 |
| 1.2 相关技术的发展和研究现状 | 第12-13页 |
| 1.3 研究内容和论文结构 | 第13-15页 |
| 第二章 相关理论与关键技术 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 用户画像 | 第15-17页 |
| 2.2.1 用户画像的特点 | 第16页 |
| 2.2.2 用户画像的方法 | 第16-17页 |
| 2.3 个性化推荐系统的分类 | 第17-20页 |
| 2.3.1 协同过滤系统 | 第17-19页 |
| 2.3.2 基于内容的推荐系统 | 第19-20页 |
| 2.4 个性化推荐系统的评价标准 | 第20-22页 |
| 2.5 推荐系统的困境 | 第22页 |
| 2.5.1 冷启动问题 | 第22页 |
| 2.5.2 数据稀疏问题 | 第22页 |
| 2.6 本章小结 | 第22-24页 |
| 第三章 用户画像模型的建立与优化 | 第24-40页 |
| 3.1 引言 | 第24页 |
| 3.2 用户画像流程 | 第24-26页 |
| 3.3 用户画像模型的建立 | 第26-37页 |
| 3.3.1 建立用户画像的标签体系 | 第26-28页 |
| 3.3.2 数据的预处理 | 第28-29页 |
| 3.3.3 用户的活动类型偏好建模 | 第29-31页 |
| 3.3.4 基于改进的VSM模型进行用户建模 | 第31-35页 |
| 3.3.5 用户画像模型更新 | 第35-37页 |
| 3.4 实验结果与分析 | 第37-39页 |
| 3.4.1 实验数据集和评价标准 | 第37页 |
| 3.4.2 实验结果分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于RBF神经网络与用户画像的混合推荐算法 | 第40-53页 |
| 4.1 引言 | 第40页 |
| 4.2 问题的提出 | 第40-41页 |
| 4.3 基于RBF神经网络的协同过滤算法 | 第41-45页 |
| 4.3.1 RBF神经网络 | 第41-42页 |
| 4.3.2 基于RBF神经网络的协同过滤算法 | 第42-45页 |
| 4.4 基于改进的RBF神经网络与用户画像的混合推荐系统 | 第45-47页 |
| 4.5 实验结果与分析 | 第47-51页 |
| 4.5.1 实验环境 | 第47页 |
| 4.5.2 实验数据集和评价标准 | 第47-48页 |
| 4.5.3 算法实验结果与分析 | 第48-51页 |
| 4.6 本章小结 | 第51-53页 |
| 第五章 移动广告推荐系统的设计与实现 | 第53-75页 |
| 5.1 引言 | 第53页 |
| 5.2 系统设计与需求分析 | 第53-67页 |
| 5.2.1 系统需求分析 | 第53-56页 |
| 5.2.2 广告推荐系统架构设计 | 第56-59页 |
| 5.2.3 广告推荐系统数据库设计 | 第59-61页 |
| 5.2.4 系统功能结构设计 | 第61-67页 |
| 5.3 移动广告推荐系统实现 | 第67-72页 |
| 5.3.1 系统开发环境 | 第67页 |
| 5.3.2 开发技术介绍 | 第67-68页 |
| 5.3.3 用户数据预处理模块的实现 | 第68页 |
| 5.3.4 基于推荐算法的计算模块 | 第68-70页 |
| 5.3.5 广告投放模块的实现 | 第70-71页 |
| 5.3.6 广告管理配置模块的实现 | 第71-72页 |
| 5.4 系统测试 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75页 |
| 6.2 未来展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士期间取得的学术成果 | 第82-83页 |