| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-9页 |
| 第一章 绪论 | 第9-21页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 相关推荐算法的研究 | 第10-18页 |
| 1.2.1 基于内容的推荐 | 第11-15页 |
| 1.2.2 协同过滤推荐 | 第15-18页 |
| 1.2.3 推荐算法分析 | 第18页 |
| 1.3 本文主要研究成果 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 推荐系统的流程与框架设计 | 第21-27页 |
| 2.1 推荐系统的流程 | 第21-25页 |
| 2.1.1 用户等级分类 | 第22页 |
| 2.1.2 利用词向量工具扩展用户语料 | 第22-23页 |
| 2.1.3 用户兴趣分类 | 第23-24页 |
| 2.1.4 组合推荐算法实现广告推荐 | 第24-25页 |
| 2.2 邮箱广告推荐系统框架搭建 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 系统数据库和数据字典的设计 | 第27-37页 |
| 3.1 数据库的设计 | 第27-30页 |
| 3.1.1 基于邮箱的用户信息表 | 第27-29页 |
| 3.1.2 系统推荐的图书广告信息表 | 第29-30页 |
| 3.2 数据字典的设计 | 第30页 |
| 3.3 数据处理的过程 | 第30-35页 |
| 3.3.1 用户信息的数据处理 | 第31-32页 |
| 3.3.2 图书信息的数据处理 | 第32-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第四章 基于分类模型的用户兴趣分类 | 第37-49页 |
| 4.1 用户等级分类 | 第37页 |
| 4.2 利用词向量工具扩展用户的关键字 | 第37-40页 |
| 4.2.1 词向量工具word2vec介绍 | 第37-38页 |
| 4.2.2 word2vec中的词向量 | 第38-39页 |
| 4.2.3 利用word2vec扩充用户语料 | 第39-40页 |
| 4.3 基于潜在语义索引的SVM分类器模型 | 第40-47页 |
| 4.3.1 潜在语义索引LSI模型 | 第40-43页 |
| 4.3.2 支持向量机SVM分类器 | 第43-45页 |
| 4.3.3 基于潜在语义索引LSI的SVM分类模型实现 | 第45-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 组合推荐算法的设计与实现 | 第49-61页 |
| 5.1 搭建系统推荐的搜索引擎 | 第49-51页 |
| 5.1.1 Lucence搜索引擎的介绍 | 第49页 |
| 5.1.2 搭建系统搜索引擎 | 第49-51页 |
| 5.2 基于最近邻算法的广告推荐实现 | 第51-54页 |
| 5.2.1 KNN算法的介绍 | 第51-52页 |
| 5.2.2 提取图书特征文件 | 第52-53页 |
| 5.2.3 基于KNN算法的图书推荐 | 第53-54页 |
| 5.3 组合推荐算法的设计与实现 | 第54-55页 |
| 5.4 推荐系统的测试 | 第55-58页 |
| 5.4.1 推荐系统流程测试 | 第55-58页 |
| 5.4.2 推荐系统性能测试 | 第58页 |
| 5.5 本章小结 | 第58-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |