| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 跨领域用户兴趣建模 | 第12-13页 |
| 1.2.2 潜在用户挖掘 | 第13-15页 |
| 1.2.3 跨领域推荐 | 第15-16页 |
| 1.3 论文研究工作 | 第16-17页 |
| 1.4 论文的组织结构 | 第17-18页 |
| 第二章 相关理论与技术 | 第18-31页 |
| 2.1 跨领域用户兴趣建模 | 第18-19页 |
| 2.2 大数据分析方法与工具 | 第19-30页 |
| 2.2.1 特征工程 | 第20-23页 |
| 2.2.2 Logistic Regression算法 | 第23-25页 |
| 2.2.3 Gradient Boosting Decision Tree算法 | 第25-27页 |
| 2.2.4 非负矩阵分解NMF算法 | 第27-29页 |
| 2.2.5 Topic-Match算法 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 跨领域用户兴趣建模 | 第31-48页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 基于统计分析的数据探索 | 第32-36页 |
| 3.2.1 广告数据统计分析 | 第33-34页 |
| 3.2.2 游戏数据统计分析 | 第34-36页 |
| 3.3 基于领域差异性的跨领域用户兴趣建模 | 第36-40页 |
| 3.4 基于近邻的跨领域用户兴趣建模 | 第40-44页 |
| 3.4.1 基于用户广告行为的兴趣建模 | 第41页 |
| 3.4.2 基于用户游戏行为的兴趣建模 | 第41-43页 |
| 3.4.3 广告非游戏用户的近邻用户列表构建 | 第43-44页 |
| 3.5 基于LFM的跨领域用户兴趣建模 | 第44-47页 |
| 3.5.1 评分矩阵构建 | 第44-46页 |
| 3.5.2 基于LFM算法的跨领域用户兴趣建模 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 潜在游戏用户挖掘 | 第48-63页 |
| 4.1 问题描述与定义 | 第48-49页 |
| 4.2 潜在游戏用户挖掘算法研究 | 第49-53页 |
| 4.2.1 基于LR算法的潜在游戏用户挖掘 | 第49-51页 |
| 4.2.2 基于Modify-GBDT- LR算法的潜在游戏用户挖掘 | 第51-53页 |
| 4.3 实验及结果分析 | 第53-62页 |
| 4.3.1 实验设计目标与实验环境 | 第53-54页 |
| 4.3.2 数据集构建 | 第54-55页 |
| 4.3.3 评测指标 | 第55-56页 |
| 4.3.4 正负样本比例选择 | 第56-57页 |
| 4.3.5 基于领域差异性的跨领域用户兴趣建模有效性分析 | 第57-58页 |
| 4.3.6 潜在游戏用户挖掘算法有效性分析 | 第58-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 跨领域游戏推荐 | 第63-85页 |
| 5.1 问题描述与定义 | 第63-64页 |
| 5.2 跨领域游戏推荐算法研究 | 第64-72页 |
| 5.2.1 基于热门的游戏推荐算法 | 第64-66页 |
| 5.2.2 基于近邻的跨领域游戏推荐算法 | 第66-68页 |
| 5.2.3 基于LFM的跨领域游戏推荐算法 | 第68-72页 |
| 5.3 实验及结果分析 | 第72-84页 |
| 5.3.1 实验设计目标 | 第72页 |
| 5.3.2 数据集构建及评测指标 | 第72-74页 |
| 5.3.3 随机游戏推荐与热门游戏推荐 | 第74-75页 |
| 5.3.4 基于近邻的跨领域用户兴趣建模及游戏推荐 | 第75-81页 |
| 5.3.5 基于LFM的跨领域用户兴趣建模及游戏推荐 | 第81-84页 |
| 5.4 本章小结 | 第84-85页 |
| 结论与展望 | 第85-86页 |
| 参考文献 | 第86-91页 |
| 攻读硕士学位期间取得的研究成果 | 第91-92页 |
| 致谢 | 第92-93页 |
| 答辩委员会对论文的评定意见 | 第93页 |
