电子商务推荐系统中协同过滤算法的改进与研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1. 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-12页 |
| ·研究背景 | 第10-12页 |
| ·研究意义 | 第12页 |
| ·国内外研究现状及发展动态 | 第12-14页 |
| ·电子商务推荐系统的国内外研究现状及发展动态 | 第12-13页 |
| ·个性化推荐系统的国内外研究现状及发展动态 | 第13-14页 |
| ·研究内容及结构安排 | 第14-16页 |
| 2. 电子商务推荐系统及推荐技术 | 第16-26页 |
| ·电子商务推荐系统概述 | 第16-18页 |
| ·电子商务推荐系统的分类 | 第16-17页 |
| ·电子商务推荐系统的组成 | 第17-18页 |
| ·电子商务推荐系统的研究内容 | 第18-19页 |
| ·电子商务个性化推荐技术 | 第19-23页 |
| ·基于关联规则的推荐技术 | 第19-20页 |
| ·基于内容的推荐技术 | 第20-21页 |
| ·协同过滤的推荐技术 | 第21页 |
| ·组合推荐算法 | 第21-22页 |
| ·其他几种常见的推荐技术 | 第22-23页 |
| ·协同过滤推荐技术 | 第23-26页 |
| ·相关概念 | 第23-24页 |
| ·基于用户的协同过滤推荐算法 | 第24-25页 |
| ·基于项目的协同过滤推荐算法 | 第25-26页 |
| 3. 聚类分析简述 | 第26-39页 |
| ·数据挖掘 | 第26-28页 |
| ·数据挖掘简述 | 第26页 |
| ·数据挖掘方法 | 第26-27页 |
| ·数据挖掘与推荐系统 | 第27-28页 |
| ·聚类分析的概念及原理 | 第28-29页 |
| ·聚类方法的分类 | 第29-32页 |
| ·基于划分的聚类方法 | 第30-31页 |
| ·基于层次的聚类方法 | 第31页 |
| ·基于密度的聚类方法 | 第31-32页 |
| ·基于网格的聚类方法 | 第32页 |
| ·基于模型的聚类方法 | 第32页 |
| ·K-means 算法 | 第32-37页 |
| ·K-means 算法 | 第33-35页 |
| ·K-means 算法的优缺点 | 第35-36页 |
| ·K-means 算法的改进 | 第36-37页 |
| ·基于聚类的协同过滤推荐算法 | 第37-38页 |
| ·基于用户聚类的协同过滤推荐算法 | 第37页 |
| ·基于项目聚类的协同过滤推荐算法 | 第37-38页 |
| ·本章小节 | 第38-39页 |
| 4. 信任模型及回归分析法的应用 | 第39-47页 |
| ·信任模型 | 第39-43页 |
| ·信任的定义 | 第39-40页 |
| ·信任的特性 | 第40-41页 |
| ·信任模型的建立 | 第41-42页 |
| ·引入信任的必要性 | 第42-43页 |
| ·回归分析法及应用 | 第43-46页 |
| ·回归分析法简述 | 第43页 |
| ·回归分析法的原理 | 第43-45页 |
| ·回归分析法在推荐系统中的应用 | 第45-46页 |
| ·本章小节 | 第46-47页 |
| 5. 改进的协同过滤组合推荐算法研究 | 第47-54页 |
| ·协同过滤组合推荐算法的框架及思路 | 第47-49页 |
| ·算法的设计与分析 | 第49-52页 |
| ·数据的收集与处理 | 第49页 |
| ·聚类 | 第49-51页 |
| ·相似度计算 | 第51页 |
| ·相似-信任度计算 | 第51页 |
| ·K 最近邻用户搜索 | 第51-52页 |
| ·预测评分 | 第52页 |
| ·产生推荐列表 | 第52页 |
| ·本章小结 | 第52-54页 |
| 6. 实验设计与结果分析 | 第54-60页 |
| ·实验环境及实验数据 | 第54-55页 |
| ·实验环境 | 第54页 |
| ·实验数据 | 第54-55页 |
| ·实验评价的度量标准 | 第55页 |
| ·实验的设计、结果与分析 | 第55-58页 |
| ·实验 1 | 第55-56页 |
| ·实验 2 | 第56-57页 |
| ·实验 3 | 第57-58页 |
| ·本章小节 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读博士（硕士）期间发表的论文及所取得的研究成果 | 第68页 |
