| 摘要 | 第2-5页 |
| ABSTRACT | 第5-9页 |
| 第1章 绪论 | 第13-24页 |
| 1.1 研究背景与意义 | 第13-18页 |
| 1.1.1 研究背景 | 第13-17页 |
| 1.1.2 研究意义 | 第17-18页 |
| 1.2 论文的主要研究内容、章节安排 | 第18-24页 |
| 1.2.1 研究问题提出及目的 | 第18-20页 |
| 1.2.2 论文的主要研究内容及创新点 | 第20-22页 |
| 1.2.3 论文的章节安排 | 第22-24页 |
| 第2章 相关研究的文献综述 | 第24-56页 |
| 2.1 网络消费者购物决策行为研究 | 第24-28页 |
| 2.1.1 电子商务和网络购物 | 第24-25页 |
| 2.1.2 消费者在线购物决策行为 | 第25-27页 |
| 2.1.3 消费者在线购物决策影响因素 | 第27-28页 |
| 2.2 客户持续购买的研究 | 第28-32页 |
| 2.2.1 持续购买的内涵 | 第28-30页 |
| 2.2.2 持续购买影响因素 | 第30-32页 |
| 2.3 个性化推荐服务研究 | 第32-48页 |
| 2.3.1 个性化推荐服务流程及分析 | 第32-38页 |
| 2.3.2 用户偏好模式研究 | 第38-41页 |
| 2.3.3 个性化推荐方法研究 | 第41-48页 |
| 2.4 情境化推荐服务研究 | 第48-55页 |
| 2.4.1 情境的内涵 | 第48-49页 |
| 2.4.2 情境化推荐服务应用进展 | 第49-50页 |
| 2.4.3 情境管理模型 | 第50-52页 |
| 2.4.4 基于情境的偏好挖掘 | 第52-53页 |
| 2.4.5 基于情境的推荐生成技术 | 第53-55页 |
| 2.5 本章小结 | 第55-56页 |
| 第3章 面向电商平台客户持续购买问题的影响因素及推荐框架模型研究 | 第56-67页 |
| 3.1 问题提出及描述 | 第56-58页 |
| 3.1.1 电商平台客户购买行为特征分析 | 第56-57页 |
| 3.1.2 面向电商平台客户持续购买行为的情境化推荐问题描述 | 第57-58页 |
| 3.2 影响电商平台客户持续购买行为的情境因素分析与结构化表达 | 第58-64页 |
| 3.2.1 电商平台客户情境因素特征分析 | 第58-60页 |
| 3.2.2 影响电商客户持续购买行为的情境因素抽取 | 第60-62页 |
| 3.2.3 电子商务情境的形式化定义与管理 | 第62-64页 |
| 3.3 面向电商平台客户持续购买问题的情境化推荐框架模型 | 第64-66页 |
| 3.4 本章小结 | 第66-67页 |
| 第4章 基于客户敏感情境的个性化推荐方法研究 | 第67-83页 |
| 4.1 问题提出及描述 | 第67-68页 |
| 4.2 相关工作 | 第68-69页 |
| 4.2.1 分布式认知理论涵义 | 第68-69页 |
| 4.2.2 分布式认知研究模型 | 第69页 |
| 4.3 客户情境化兴趣描述与信息结构建模 | 第69-71页 |
| 4.3.1 客户兴趣描述 | 第69-70页 |
| 4.3.2 客户情境化兴趣信息结构建模 | 第70-71页 |
| 4.4 基于客户敏感情境的个性化推荐方法 | 第71-75页 |
| 4.4.1 基于分布式认知理论的客户兴趣提取算法 | 第72-74页 |
| 4.4.2 融入敏感情境相似度的协同过滤推荐算法 | 第74-75页 |
| 4.5 仿真实验及实际应用 | 第75-82页 |
| 4.5.1 数据集描述及评价标准 | 第75-76页 |
| 4.5.2 客户兴趣提取实验结果与分析 | 第76-79页 |
| 4.5.3 情境化推荐的实验结果与分析 | 第79-82页 |
| 4.6 本章小结 | 第82-83页 |
| 第5章 考虑客户兴趣渐进式漂移特征的情境化推荐方法研究 | 第83-102页 |
| 5.1 问题提出及描述 | 第83-85页 |
| 5.2 相关工作 | 第85-86页 |
| 5.2.1 关联规则挖掘方法 | 第85-86页 |
| 5.2.2 基于项目的协同过滤推荐方法 | 第86页 |
| 5.3 考虑客户兴趣渐进式漂移特征的情境化推荐方法 | 第86-94页 |
| 5.3.1 基于改进型FP-Tree的关联规则算法 | 第88-90页 |
| 5.3.2 融入情境贡献度的客户兴趣挖掘及漂移侦测算法 | 第90-92页 |
| 5.3.3 基于项目关联度的改进型协同过滤推荐算法 | 第92-94页 |
| 5.4 仿真实验及实际应用 | 第94-101页 |
| 5.4.1 数据集的描述与处理 | 第94-95页 |
| 5.4.2 基于改进型FP-Tree的关联规则算法实验分析 | 第95-97页 |
| 5.4.3 融入情境贡献度的客户兴趣挖掘及漂移侦测算法实验分析 | 第97-98页 |
| 5.4.4 基于项目关联度的改进型协同过滤推荐算法实验分析 | 第98-101页 |
| 5.5 本章小结 | 第101-102页 |
| 第6章 考虑客户兴趣突变式漂移特征的情境化推荐方法研究 | 第102-122页 |
| 6.1 问题提出及描述 | 第102-104页 |
| 6.2 相关工作 | 第104-105页 |
| 6.2.1 马斯洛需求层次理论 | 第104页 |
| 6.2.2 客户兴趣漂移处理机制 | 第104-105页 |
| 6.3 基于马斯洛需求层次理论的情境化信息推荐方法 | 第105-114页 |
| 6.3.1 基于本体与隐马尔科夫的客户兴趣层次判定算法 | 第105-108页 |
| 6.3.2 融入情境的客户活跃度算法 | 第108-112页 |
| 6.3.3 融入客户活跃度的动态协同过滤推荐算法 | 第112-114页 |
| 6.4 仿真实验及实际应用 | 第114-120页 |
| 6.4.1 数据集与评价指标描述 | 第114-115页 |
| 6.4.2 客户兴趣层次性实验结果与分析 | 第115-117页 |
| 6.4.3 融入情境的客户活跃度计算方法实验结果与分析 | 第117-119页 |
| 6.4.4 动态协同过滤推荐实验结果与分析 | 第119-120页 |
| 6.5 本章小结 | 第120-122页 |
| 第7章 面向电商平台客户持续购买问题的情境化推荐应用研究 | 第122-136页 |
| 7.1 情境化推荐系统实现 | 第122-128页 |
| 7.1.1 系统框架 | 第122-125页 |
| 7.1.2 情境化推荐模型具体应用分析 | 第125-128页 |
| 7.2 情境化推荐服务效果分析 | 第128-132页 |
| 7.2.1 衡量实际推荐服务效果的评价指标 | 第128页 |
| 7.2.2 电商客户流失判定算法 | 第128-129页 |
| 7.2.3 情境化推荐服务的评测效果分析 | 第129-132页 |
| 7.3 对电商企业提高客户持续购买意愿的管理启示 | 第132-135页 |
| 7.4 本章小结 | 第135-136页 |
| 第8章 全文总结与展望 | 第136-140页 |
| 8.1 全文总结 | 第136-138页 |
| 8.2 未来展望 | 第138-140页 |
| 参考文献 | 第140-159页 |
| 附录 攻读博士期间的学术成果 | 第159-161页 |
| 致谢 | 第161-162页 |
