| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 本文研究内容 | 第13-15页 |
| 1.4 论文组织结构 | 第15页 |
| 1.5 本章小结 | 第15-17页 |
| 第2章 相关理论及模型概述 | 第17-23页 |
| 2.1 相关理论概念介绍 | 第17-18页 |
| 2.1.1 Boosting算法 | 第17-18页 |
| 2.2 相关模型--Boosted Tree模型 | 第18-19页 |
| 2.3 相关模型--FM模型 | 第19-20页 |
| 2.4 相关模型--FFM模型 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 跨设备用户行为及其特征空间 | 第23-35页 |
| 3.1 研究数据 | 第23-24页 |
| 3.2 用户行为分析 | 第24-26页 |
| 3.3 数据特征空间 | 第26-33页 |
| 3.3.1 训练、测试数据的生成 | 第26-27页 |
| 3.3.2 数据过滤 | 第27-29页 |
| 3.3.3 拓展数据特征 | 第29-30页 |
| 3.3.4 数据特征重要性分析 | 第30-31页 |
| 3.3.5 数据特征优化 | 第31-33页 |
| 3.4 本章小结 | 第33-35页 |
| 第4章 基于XGBoost模型的跨设备用户识别 | 第35-47页 |
| 4.1 XGBoost模型 | 第35-38页 |
| 4.1.1 模型变量及参数 | 第35-36页 |
| 4.1.2 模型定义及优化 | 第36-38页 |
| 4.2 实验设计与结果分析 | 第38-45页 |
| 4.2.1 实验数据准备 | 第38-39页 |
| 4.2.2 对比算法 | 第39-40页 |
| 4.2.3 实验结果分析 | 第40-43页 |
| 4.2.4 XGBoost模型参数分析 | 第43-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 基于优化提升的FFM模型用于跨设备预测分析 | 第47-59页 |
| 5.1 基于优化提升的FFM模型 | 第47-50页 |
| 5.1.1 模型变量及参数 | 第48页 |
| 5.1.2 模型定义 | 第48-50页 |
| 5.2 实验设计与结果分析 | 第50-57页 |
| 5.2.1 实验数据准备 | 第50-52页 |
| 5.2.2 对比算法 | 第52-53页 |
| 5.2.3 实验结果分析 | 第53-56页 |
| 5.2.4 RFFM模型参数分析 | 第56-57页 |
| 5.3 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士期间的学术成果和参与的科研项目 | 第66页 |