| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究意义 | 第11-12页 |
| 1.4 本文主要研究工作以及组织结构 | 第12-13页 |
| 1.4.1 主要研究工作 | 第12页 |
| 1.4.2 组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论研究 | 第14-21页 |
| 2.1 个性化概念以及个性化服务 | 第14页 |
| 2.1.1 个性化概念 | 第14页 |
| 2.1.2 个性化服务 | 第14页 |
| 2.2 个性化推荐研究综述 | 第14-18页 |
| 2.2.1 个性化推荐系统的分类 | 第14-16页 |
| 2.2.2 电子商务推荐系统的工作流程 | 第16-17页 |
| 2.2.3 常用的个性化推荐技术 | 第17-18页 |
| 2.3 主要推荐算法的介绍 | 第18-20页 |
| 2.3.1 协同过滤推荐 | 第18页 |
| 2.3.2 基于关联规则的推荐 | 第18-19页 |
| 2.3.3 基于内容的推荐 | 第19页 |
| 2.3.4 基于人口统计信息的推荐 | 第19页 |
| 2.3.5 基于效用的推荐 | 第19-20页 |
| 2.3.6 基于知识的推荐 | 第20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 协同过滤算法研究与用户消费水平的度量 | 第21-32页 |
| 3.1 协同过滤推荐算法的分类 | 第21-25页 |
| 3.1.1 基于项目的协同过滤推荐算法 | 第22-23页 |
| 3.1.2 基于用户的协同过滤推荐算法 | 第23-25页 |
| 3.2 协同过滤推荐算法的优缺点 | 第25-26页 |
| 3.3 用户消费水平的引入 | 第26-27页 |
| 3.3.1 用户消费水平的相关研究 | 第26-27页 |
| 3.3.2 影响用户消费水平的因素 | 第27页 |
| 3.4 用户消费水平的度量 | 第27-31页 |
| 3.4.1 基于购物价格的用户消费水平模型建立 | 第28-29页 |
| 3.4.2 基于背景信息的用户消费水平模型建立 | 第29-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第四章 结合用户消费水平的协同过滤推荐算法的改进 | 第32-42页 |
| 4.1 结合用户消费水平的协同过滤推荐算法思想及优点 | 第32页 |
| 4.1.1 算法思想 | 第32页 |
| 4.1.2 算法优点 | 第32页 |
| 4.2 对冷启动问题的改进 | 第32-33页 |
| 4.3 对数据稀疏性问题的改进 | 第33页 |
| 4.4 结合用户消费水平的协同过滤推荐算法改进 | 第33-37页 |
| 4.4.1 改进算法中用户消费水平的模型建立 | 第33-35页 |
| 4.4.2 改进算法中用户相似性的计算 | 第35-37页 |
| 4.4.3 改进算法中推荐结果的产生 | 第37页 |
| 4.5 改进算法的整体流程 | 第37-39页 |
| 4.6 改进算法的实现 | 第39-41页 |
| 4.6.1 数据的收集 | 第39-40页 |
| 4.6.2 支撑框架 | 第40页 |
| 4.6.3 实现展示 | 第40-41页 |
| 4.7 本章小结 | 第41-42页 |
| 第五章 实验设计和分析 | 第42-48页 |
| 5.1 推荐算法结果评价标准 | 第42页 |
| 5.2 实验环境与实验数据 | 第42-44页 |
| 5.2.1 实验环境 | 第42-43页 |
| 5.2.2 实验数据 | 第43-44页 |
| 5.3 实验方案 | 第44页 |
| 5.4 实验过程及结果分析 | 第44-47页 |
| 5.4.1 实验过程 | 第44-47页 |
| 5.4.2 结果分析 | 第47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-49页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-49页 |
| 参考文献 | 第49-51页 |
| 致谢 | 第51页 |