| 摘要 | 第1-6页 |
| Abstract | 第6-13页 |
| 1 绪论 | 第13-20页 |
| ·课题来源 | 第13页 |
| ·研究背景与意义 | 第13-15页 |
| ·研究现状 | 第15-18页 |
| ·数据挖掘与商务智能 | 第15-16页 |
| ·电子商务与智能推荐系统 | 第16-17页 |
| ·国内外推荐系统应用现状 | 第17-18页 |
| ·论文的研究对象和所做的工作 | 第18-19页 |
| ·论文的结构安排 | 第19-20页 |
| 2 电子商务智能推荐系统及其相关技术 | 第20-37页 |
| ·电子商务智能推荐系统概述 | 第20-26页 |
| ·电子商务推荐系统的含义 | 第20-21页 |
| ·推荐问题的形式化描述 | 第21-22页 |
| ·电子商务推荐系统的分类 | 第22-23页 |
| ·推荐系统的数据类型 | 第23-26页 |
| ·相关技术 | 第26-37页 |
| ·信息检索和信息过滤 | 第26-28页 |
| ·web 数据挖掘 | 第28-30页 |
| ·动态模糊逻辑与模糊推理 | 第30-37页 |
| ·动态模糊逻辑 | 第30-34页 |
| ·模糊规则与模糊推理 | 第34-36页 |
| ·DFL 在电子商务信息处理中的应用 | 第36-37页 |
| 3 用户兴趣发现模式 | 第37-46页 |
| ·网站用户行为分析 | 第37-38页 |
| ·用户行为兴趣信息获取 | 第38-42页 |
| ·用户兴趣数据源 | 第38-39页 |
| ·数据采集与预处理 | 第39-40页 |
| ·AJAX 异步获取用户行为信息 | 第40-42页 |
| ·一种改进的行为兴趣度计算 | 第42-46页 |
| ·多元线性回归方法 | 第42-43页 |
| ·非线性回归分析方法 | 第43-44页 |
| ·一种改进的行为兴趣度计算 | 第44-46页 |
| 4 一种基于商品基因和GA 的推荐算法 | 第46-72页 |
| ·目前常用的推荐策略 | 第46-48页 |
| ·关联规则推荐算法 | 第48-52页 |
| ·Apriori 算法 | 第48-50页 |
| ·FP-Growth 算法 | 第50-52页 |
| ·协同过滤推荐算法 | 第52-57页 |
| ·User-based Collaborative Filtering | 第53-56页 |
| ·Item-based Collaborative Filtering | 第56-57页 |
| ·基于商品基因和GA 的推荐算法 | 第57-72页 |
| ·遗传算法(Genetic Algorithm, GA) | 第58-61页 |
| ·基于商品基因和GA 的推荐系统框架 | 第61-62页 |
| ·算法模型与试验研究 | 第62-72页 |
| ·商品基因描述 | 第62-63页 |
| ·用户对产品基因的偏好度 | 第63-65页 |
| ·基于GA 的最优邻居选择 | 第65-67页 |
| ·根据偏好度和最优邻居组进行商品推荐 | 第67页 |
| ·试验及结果分析 | 第67-72页 |
| 5 ICRS 系统原型的设计 | 第72-78页 |
| ·系统需求分析 | 第72-74页 |
| ·系统原型设计 | 第74-75页 |
| ·ICRS 推荐系统主要流程框架 | 第74页 |
| ·推荐机制 | 第74-75页 |
| ·系统结构 | 第75-78页 |
| ·系统开发环境 | 第75-76页 |
| ·STRUTS 框架下的MVC 模式 | 第76-77页 |
| ·系统原型 | 第77-78页 |
| 6 结论和展望 | 第78-80页 |
| ·结论 | 第78-79页 |
| ·展望 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 致谢 | 第84-85页 |
| 作者简介及读研期间主要科研成果 | 第85-86页 |
