| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 目录 | 第6-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 基于用户网络购物行为的预测推荐领域的研究背景和意义 | 第10-11页 |
| 1.2 推荐预测领域的算法研究 | 第11-12页 |
| 1.3 论文研究的主要思路和内容 | 第12-16页 |
| 第二章 数据预处理和特征设计 | 第16-20页 |
| 2.1 原始数据 | 第16页 |
| 2.2 数据预处理 | 第16-17页 |
| 2.3 数据特征设计与提取 | 第17-18页 |
| 2.4 本章小结 | 第18-20页 |
| 第三章 随机森林和梯度渐进回归树算法的研究与介绍 | 第20-32页 |
| 3.1 随机森林算法 | 第20-24页 |
| 3.1.1 决策树算法 | 第20-22页 |
| 3.1.2 算法的随机的特性 | 第22-23页 |
| 3.1.3 随机森林算法的生长 | 第23-24页 |
| 3.1.4 随机森林算法的分类生长 | 第24页 |
| 3.2 梯度迭代决策树算法(Gradient Boosting Decision Tree) | 第24-29页 |
| 3.2.1 梯度渐进回归树(Gradient boosting)介绍 | 第25-29页 |
| 3.3 初始化的梯度渐进回归树算法(initialized Gradient Boosting Deci-sion tree) | 第29页 |
| 3.4 本章小结 | 第29-32页 |
| 第四章 实验结果与分析 | 第32-50页 |
| 4.1 实验工具与平台介绍 | 第32页 |
| 4.2 实验过程 | 第32-34页 |
| 4.3 实验结果以及训练模型的评估 | 第34-36页 |
| 4.4 随机森林的实验结果 | 第36-39页 |
| 4.4.1 抽样数据上的实验结果 | 第36-39页 |
| 4.4.2 大数据的实验结果 | 第39页 |
| 4.5 梯度渐进回归树的实验结果 | 第39-45页 |
| 4.5.1 抽样数据的实验结果 | 第39-43页 |
| 4.5.2 大数据的实验结果 | 第43-45页 |
| 4.6 随机森林和GBRT的实验结果对比与分析 | 第45-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 工作总结与创新 | 第50页 |
| 5.2 工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
