| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 引言 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 个性化推荐研究现状 | 第12-13页 |
| 1.2.2 上下文推荐国内外研究现状 | 第13-14页 |
| 1.2.3 茶产品推荐研究现状 | 第14-15页 |
| 1.2.4 目前推荐系统存在的问题分析 | 第15-16页 |
| 1.3 本文的研究内容、技术路线和方法 | 第16-18页 |
| 1.3.1 主要研究内容 | 第16-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.3.3 研究方法 | 第17-18页 |
| 1.3.4 论文组织机构 | 第18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 推荐系统相关理论和技术 | 第19-30页 |
| 2.1 个性化推荐的相关理论和技术 | 第19-21页 |
| 2.2 隐语义模型相关理论及其技术 | 第21-25页 |
| 2.2.1 奇异值分解模型(SVD) | 第21-23页 |
| 2.2.2 隐语义模型(LFM) | 第23-25页 |
| 2.3 时间上下文相关算法 | 第25-27页 |
| 2.3.1 时间在推荐系统中的影响 | 第25-26页 |
| 2.3.2 时间上下文相关的T-ItemCF算法 | 第26页 |
| 2.3.3 时间上下文相关的T-UserCF算法 | 第26-27页 |
| 2.4 推荐系统性能度量标准 | 第27-29页 |
| 2.4.1 推荐系统测试方法 | 第27-28页 |
| 2.4.2 推荐系统评价指标 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 基于用户属性信息的隐语义模型—Attributes-LFM | 第30-35页 |
| 3.1 隐语义模型改进 | 第30-32页 |
| 3.3.1 问题分析 | 第30页 |
| 3.3.2 Attributes-LFM的提出 | 第30-32页 |
| 3.2 实验与分析 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 4 基于隐语义模型的时间上下文茶产品推荐算法—TAttributes-LFM | 第35-41页 |
| 4.1 时间对用户兴趣的影响 | 第35-36页 |
| 4.2 融合时间上下文的隐语义模型 | 第36-40页 |
| 4.2.1 核心思想 | 第36-38页 |
| 4.2.2 算法步骤 | 第38-40页 |
| 4.3 本章小结 | 第40-41页 |
| 5 基于TAttributes-LFM的茶产品推荐算法验证评价 | 第41-45页 |
| 5.1 实验与分析 | 第41-44页 |
| 5.1.1 实验数据集 | 第41页 |
| 5.1.2 实验环境 | 第41页 |
| 5.1.3 实验设计与结果分析 | 第41-44页 |
| 5.2 本章小结 | 第44-45页 |
| 6 基于隐语义模型的时间上下文茶产品推荐系统设计与实现 | 第45-54页 |
| 6.1 系统使用的开发工具和语言 | 第45页 |
| 6.2 功能需求分析 | 第45-46页 |
| 6.3 功能实现 | 第46-53页 |
| 6.3.1 前台功能 | 第46-48页 |
| 6.3.2 后台功能 | 第48-49页 |
| 6.3.3 茶产品推荐功能 | 第49-52页 |
| 6.3.4 购买商品 | 第52-53页 |
| 6.4 本章小结 | 第53-54页 |
| 7 总结展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
