摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-17页 |
1.1 课题背景和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.2.1 基于内容的推荐算法 | 第12-13页 |
1.2.2 协同过滤推荐算法 | 第13页 |
1.2.3 关联规则推荐算法 | 第13-14页 |
1.2.4 混合推荐算法 | 第14页 |
1.3 电子商务推荐面临的挑战 | 第14-15页 |
1.3.1 冷启动问题 | 第14页 |
1.3.2 数据稀疏性问题 | 第14-15页 |
1.3.3 实时性与准确性问题 | 第15页 |
1.4 本文主要研究内容 | 第15-16页 |
1.5 论文组织和结构 | 第16-17页 |
第二章 电子商务推荐系统及相关技术 | 第17-33页 |
2.1 电子商务推荐系统概述 | 第17-19页 |
2.1.1 电子商务推荐系统概念 | 第17-18页 |
2.1.2 电子商务推荐系统的结构与框架 | 第18-19页 |
2.2 协同过滤推荐算法 | 第19-27页 |
2.2.1 基于内存的协同过滤推荐算法 | 第21-25页 |
2.2.2 基于模型的协同过滤推荐算法 | 第25-27页 |
2.3 基于内容的推荐算法 | 第27-28页 |
2.4 基于关联规则的推荐算法 | 第28-29页 |
2.5 混合推荐算法 | 第29页 |
2.6 推荐算法评价指标 | 第29-32页 |
2.6.1 准确性 | 第30-31页 |
2.6.2 覆盖率 | 第31-32页 |
2.6.3 多样性 | 第32页 |
2.7 本章小结 | 第32-33页 |
第三章 基于用户和商品相似性的Slope One推荐算法 | 第33-45页 |
3.1 Slope One算法 | 第33-34页 |
3.2 改进的Slope One推荐算法 | 第34-36页 |
3.3 基于用户和商品相似性的Slope One算法 | 第36-42页 |
3.3.1 基本思路 | 第36-37页 |
3.3.2 相关定义 | 第37-38页 |
3.3.3 实现流程 | 第38-42页 |
3.4 实验与分析 | 第42-44页 |
3.4.1 实验目的 | 第42页 |
3.4.2 实验环境 | 第42页 |
3.4.3 数据集 | 第42页 |
3.4.4 评价指标 | 第42-43页 |
3.4.5 实验分析 | 第43-44页 |
3.5 本章小结 | 第44-45页 |
第四章 基于评分预测与矩阵分解的协同过滤算法 | 第45-59页 |
4.1 SVD矩阵分解 | 第45-47页 |
4.2 聚类 | 第47-50页 |
4.2.1 聚类概述 | 第47页 |
4.2.2 k-means聚类算法 | 第47-49页 |
4.2.3 k-medoids聚类算法 | 第49-50页 |
4.2.4 CLARA聚类算法 | 第50页 |
4.3 基于评分预测和矩阵分解的协同过滤算法 | 第50-54页 |
4.3.1 基本思想 | 第50-51页 |
4.3.2 相关定义 | 第51页 |
4.3.3 实现流程 | 第51-54页 |
4.4 实验与分析 | 第54-58页 |
4.4.1 实验目的 | 第54-55页 |
4.4.2 实验分析 | 第55-58页 |
4.5 本章小结 | 第58-59页 |
第五章 电子商务推荐模型的设计与实现 | 第59-68页 |
5.1 总体设计 | 第59-60页 |
5.2 详细设计 | 第60-62页 |
5.2.1 功能模块设计 | 第60页 |
5.2.2 数据库设计 | 第60-62页 |
5.3 核心模块实现 | 第62-64页 |
5.3.1 数据处理 | 第62-63页 |
5.3.2 聚类模块 | 第63页 |
5.3.3 推荐模块 | 第63-64页 |
5.3.4 结果展示 | 第64页 |
5.4 功能测试 | 第64-67页 |
5.4.1 数据处理功能测试 | 第64-66页 |
5.4.2 聚类功能测试 | 第66页 |
5.4.3 推荐功能测试 | 第66-67页 |
5.5 本章小结 | 第67-68页 |
第六章 总结与展望 | 第68-70页 |
6.1 总结 | 第68页 |
6.2 展望 | 第68-70页 |
参考文献 | 第70-75页 |
致谢 | 第75-76页 |
硕士期间发表论文 | 第76页 |