| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 用户画像研究现状 | 第12-13页 |
| 1.2.2 个性化推荐算法研究现状 | 第13-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关理论及关键技术的介绍 | 第17-26页 |
| 2.1 数据挖掘相关技术介绍 | 第17-19页 |
| 2.1.1 数据挖掘理论及处理过程 | 第17-18页 |
| 2.1.2 数据挖掘算法及相关优化算法 | 第18-19页 |
| 2.2 用户画像相关介绍 | 第19-22页 |
| 2.2.1 用户画像概念 | 第19-20页 |
| 2.2.2 用户画像标签体系 | 第20-21页 |
| 2.2.3 用户画像构建方法 | 第21-22页 |
| 2.3 推荐算法相关介绍 | 第22-25页 |
| 2.3.1 基于项目的K近邻算法 | 第22-23页 |
| 2.3.2 基于用户的协同过滤算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 海量零售数据的采集与处理 | 第26-36页 |
| 3.1 海量零售户数据的采集 | 第26-31页 |
| 3.1.1 数据来源 | 第26页 |
| 3.1.2 终端数据聚类采集及巡点计划改进 | 第26-29页 |
| 3.1.3 基于百度API定位终端数据采集改进 | 第29-31页 |
| 3.2 数据预处理 | 第31-33页 |
| 3.2.1 数据清洗 | 第31-33页 |
| 3.2.2 数据集成与转换 | 第33页 |
| 3.3 分布式海量数据处理 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 多层次用户画像数学模型的建立与研究 | 第36-52页 |
| 4.1 用户画像指标体系 | 第36-38页 |
| 4.2 多层次多维度用户画像建模 | 第38-41页 |
| 4.3 群组用户画像模型构建 | 第41-46页 |
| 4.3.1 基于FCM算法的用户画像模型聚类 | 第41-44页 |
| 4.3.2 优化改进FCM聚类算法 | 第44-46页 |
| 4.4 实验结果及其分析 | 第46-50页 |
| 4.4.1 实验标准数据集 | 第46-47页 |
| 4.4.2 实验环境 | 第47页 |
| 4.4.3 实验结果 | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第五章 基于离散量和用户偏好相似度修正的推荐算法研究 | 第52-63页 |
| 5.1 传统相似度问题 | 第52-53页 |
| 5.2 传统相似度的改进 | 第53-56页 |
| 5.2.1 离散量的定义 | 第53-54页 |
| 5.2.2 离散量的相似度修正 | 第54-55页 |
| 5.2.3 用户偏好相似度修正 | 第55-56页 |
| 5.2.4 基于离散量和用户偏好的相似度辅助修正 | 第56页 |
| 5.3 基于离散量和用户偏好相似度修正的推荐算法 | 第56-57页 |
| 5.4 实验结果及其分析 | 第57-61页 |
| 5.4.1 实验标准数据集 | 第57页 |
| 5.4.2 实验环境和度量标准 | 第57-58页 |
| 5.4.3 实验结果 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 零售信息个性化推荐系统实现与结果分析 | 第63-73页 |
| 6.1 系统的总体设计 | 第63-65页 |
| 6.1.1 系统架构设计 | 第63-64页 |
| 6.1.2 软件架构设计 | 第64-65页 |
| 6.2 主要功能模块设计与展现 | 第65-70页 |
| 6.2.1 系统的总体架构图 | 第65-66页 |
| 6.2.2 零售数据采集模块 | 第66-67页 |
| 6.2.3 用户画像构建模块 | 第67-68页 |
| 6.2.4 推荐结果展示模块 | 第68-70页 |
| 6.3 应用结果分析 | 第70-72页 |
| 6.4 本章小结 | 第72-73页 |
| 第七章 总结与展望 | 第73-75页 |
| 7.1 本文工作总结 | 第73-74页 |
| 7.2 研究展望 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
| 攻读学位期间的研究成果 | 第81页 |