基于移动终端用户访问内容的服务推荐模型研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的实验环境 | 第13页 |
| 1.4 相关术语界定 | 第13页 |
| 1.5 本文研究的内容 | 第13-14页 |
| 1.6 本文的组织结构 | 第14-15页 |
| 第二章 相关理论与技术基础 | 第15-26页 |
| 2.1 文本分类算法 | 第15-19页 |
| 2.1.1 SVM算法 | 第16-17页 |
| 2.1.2 分类器中的核函数 | 第17-18页 |
| 2.1.3 文本分类的问题 | 第18-19页 |
| 2.2 服务推荐 | 第19-25页 |
| 2.2.1 基于内容的推荐 | 第20-21页 |
| 2.2.2 相似度计算 | 第21-22页 |
| 2.2.3 推荐算法的比较 | 第22-24页 |
| 2.2.4 移动互联网的服务推荐 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 日志处理与文本分类 | 第26-53页 |
| 3.1 数据预处理 | 第26-35页 |
| 3.1.1 日志数据过滤 | 第26-28页 |
| 3.1.2 地址去重 | 第28页 |
| 3.1.3 爬虫的实现 | 第28-32页 |
| 3.1.4 网页正文内容提取 | 第32-35页 |
| 3.2 分类体系与数据 | 第35-37页 |
| 3.2.1 分类体系设计 | 第35-36页 |
| 3.2.2 构造数据集 | 第36-37页 |
| 3.3 文本的预处理过程 | 第37-42页 |
| 3.3.1 中文分词 | 第37-38页 |
| 3.3.2 特征选择 | 第38-40页 |
| 3.3.3 文本向量化 | 第40-41页 |
| 3.3.4 特征值的计算 | 第41-42页 |
| 3.4 支持向量机的文本多分类 | 第42-49页 |
| 3.4.1 环境搭建与数据准备 | 第43-45页 |
| 3.4.2 接口调用 | 第45-46页 |
| 3.4.3 训练与预测过程 | 第46-48页 |
| 3.4.4 分类器的评价 | 第48-49页 |
| 3.5 用户访问模型的建立 | 第49-52页 |
| 3.6 本章小结 | 第52-53页 |
| 第四章 服务推荐模型构建 | 第53-70页 |
| 4.1 推荐模型设计 | 第53-54页 |
| 4.2 产品推荐过程 | 第54-62页 |
| 4.2.1 产品分析 | 第55-56页 |
| 4.2.2 文本相似度计算 | 第56-58页 |
| 4.2.3 中心向量相似度 | 第58-61页 |
| 4.2.4 k-NN算法 | 第61-62页 |
| 4.3 用户上网时间偏好分析 | 第62-68页 |
| 4.3.1 用户上网时间分析 | 第63-66页 |
| 4.3.2 时间偏好模型 | 第66-67页 |
| 4.3.3 投放时间确定 | 第67-68页 |
| 4.4 模型的评估 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 结束语 | 第70-73页 |
| 5.1 全文总结 | 第70-71页 |
| 5.2 下一步工作展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻硕期间取得的研究成果 | 第78-79页 |
