| 摘要 | 第9-10页 |
| Abstract | 第10页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 论文主要研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 2 相关理论与技术 | 第18-32页 |
| 2.1 数据挖掘相关算法 | 第18-26页 |
| 2.1.1 数据挖掘基本理论 | 第18-21页 |
| 2.1.2 基于K-means算法的聚类分析 | 第21-23页 |
| 2.1.3 决策树 | 第23-24页 |
| 2.1.4 关联规则算法 | 第24-25页 |
| 2.1.5 BP神经网络 | 第25-26页 |
| 2.2 个性化推荐系统理论 | 第26-28页 |
| 2.3 电子商务个性化推荐技术 | 第28-31页 |
| 2.3.1 基于关联规则的推荐技术 | 第28-29页 |
| 2.3.2 基于内容的推荐技术 | 第29页 |
| 2.3.3 基于协同过滤的推荐技术 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 关联规则算法及改进 | 第32-44页 |
| 3.1 关联规则概述 | 第32-34页 |
| 3.1.1 关联规则的基本概念 | 第32-33页 |
| 3.1.2 关联规则分类 | 第33页 |
| 3.1.3 关联规则挖掘过程 | 第33-34页 |
| 3.2 关联规则算法---Apriori算法 | 第34-38页 |
| 3.2.1 Apriori算法 | 第34-38页 |
| 3.2.2 Apriori算法的不足 | 第38页 |
| 3.3 改进的Apriori算法 | 第38-42页 |
| 3.4 关联规则在校园电子商务中的应用 | 第42-43页 |
| 3.4.1 寻找校园内的潜在客户 | 第42-43页 |
| 3.4.2 留住客户 | 第43页 |
| 3.4.3 调整站点的结构设计 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 个性化推荐模型与结果分析 | 第44-61页 |
| 4.1 个性化推荐模型设计 | 第44-52页 |
| 4.1.1 模型应用背景 | 第44-46页 |
| 4.1.2 个性化推荐模型设计 | 第46-52页 |
| 4.2 对比实验设计 | 第52-54页 |
| 4.2.1 基于用户特征的聚类推荐方法设计 | 第52页 |
| 4.2.2 基于用户兴趣爱好的传统协同过滤推荐方法设计 | 第52-54页 |
| 4.3 实验设计 | 第54-55页 |
| 4.3.1 实验介绍 | 第54页 |
| 4.3.2 实验数据介绍 | 第54页 |
| 4.3.3 实验设计 | 第54-55页 |
| 4.4 评价标准 | 第55-57页 |
| 4.4.1 平均绝对误差 | 第55-56页 |
| 4.4.2 召回率与准确率 | 第56-57页 |
| 4.5 结果分析 | 第57-60页 |
| 4.5.1 推荐模型整体推荐质量的结果分析 | 第57-58页 |
| 4.5.2 新用户推荐质量的结果分析 | 第58页 |
| 4.5.3 评分稀疏用户推荐质量的结果分析 | 第58-59页 |
| 4.5.4 模型训练效率的结果分析 | 第59-60页 |
| 4.6 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 6 参考文献 | 第63-65页 |
| 攻读硕士期间发表的论文和科研成果 | 第65-66页 |
| 致谢 | 第66页 |