| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 个性化推荐的发展 | 第10页 |
| 1.1.2 互联网+商务对个性化推荐的影响 | 第10-11页 |
| 1.2 研究现状和存在的问题 | 第11-14页 |
| 1.2.1 研究现状 | 第11-13页 |
| 1.2.2 存在的问题 | 第13-14页 |
| 1.3 论文主要内容 | 第14页 |
| 1.4 论文创新点 | 第14-15页 |
| 1.5 论文组织结构 | 第15-16页 |
| 第二章 相关推荐技术研究 | 第16-26页 |
| 2.1 个性化推荐方法概述 | 第16-22页 |
| 2.1.1 基于邻域的方法 | 第17-19页 |
| 2.1.2 基于图模型 | 第19页 |
| 2.1.3 基于隐语义模型 | 第19-20页 |
| 2.1.4 混合推荐 | 第20-21页 |
| 2.1.5 推荐预测和评估 | 第21-22页 |
| 2.2 现有电商推荐模型 | 第22-23页 |
| 2.3 互联网+商务推荐模型 | 第23-24页 |
| 2.3.1 服务模式 | 第23-24页 |
| 2.3.2 推荐构架 | 第24页 |
| 2.4 关键技术 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 用户兴趣模型分析及设计 | 第26-40页 |
| 3.1 互联网+商务用户兴趣模型 | 第26-28页 |
| 3.1.1 传统用户兴趣建模 | 第26-27页 |
| 3.1.2 互联网+商务用户兴趣建模 | 第27-28页 |
| 3.2 User-MI模型 | 第28-34页 |
| 3.2.1 模型形式化描述 | 第28-30页 |
| 3.2.2 实例分析 | 第30-34页 |
| 3.3 POIL模型 | 第34-38页 |
| 3.3.1 POIL模型描述 | 第34-35页 |
| 3.3.2 POIL用户兴趣的更新 | 第35-38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 推荐模型及相关算法研究 | 第40-58页 |
| 4.1 互联网+商务推荐模型 | 第40-41页 |
| 4.1.1 个性化推荐体系结构 | 第40页 |
| 4.1.2 个性化推荐模型 | 第40-41页 |
| 4.2 基于User-MI模型的MI-CPMF算法 | 第41-50页 |
| 4.2.1 目标函数定义 | 第41-46页 |
| 4.2.2 目标函数求解 | 第46-47页 |
| 4.2.3 实验及性能分析 | 第47-50页 |
| 4.2.4 算法总结 | 第50页 |
| 4.3 基于POIL模型的ILMR算法 | 第50-57页 |
| 4.3.1 ILMR算法描述 | 第51-53页 |
| 4.3.2 标签匹配度集合生成算法 | 第53-54页 |
| 4.3.3 ILMR算法实验与结果分析 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 互联网+商务个性化推荐实现 | 第58-68页 |
| 5.1 开发环境介绍 | 第58页 |
| 5.2 平台个性化推荐服务应用介绍 | 第58-61页 |
| 5.2.1 系统功能 | 第58-60页 |
| 5.2.2 推荐模型应用框架 | 第60-61页 |
| 5.3 系统用例图及类图设计 | 第61-63页 |
| 5.4 模块实现 | 第63-67页 |
| 5.4.1 “互联网+商务”消费平台主页 | 第63-64页 |
| 5.4.2 推荐服务管理 | 第64页 |
| 5.4.3 商户商品发布 | 第64-65页 |
| 5.4.4 客户兴趣标签更新 | 第65-66页 |
| 5.4.5 客户反馈 | 第66-67页 |
| 5.4.6 客户推荐 | 第67页 |
| 5.5 本章总结 | 第67-68页 |
| 总结与展望 | 第68-70页 |
| 本文工作总结 | 第68-69页 |
| 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间取得的科研成果 | 第74-76页 |
| 致谢 | 第76页 |