| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的及意义 | 第9-10页 |
| 1.2.1 研究目的 | 第9-10页 |
| 1.2.2 研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-12页 |
| 1.3.1 国外研究现状 | 第10-12页 |
| 1.3.2 国内研究现状 | 第12页 |
| 1.4 问题提出 | 第12-13页 |
| 1.5 研究内容及论文框架 | 第13-14页 |
| 1.5.1 研究内容 | 第13页 |
| 1.5.2 论文框架 | 第13-14页 |
| 1.6 本章小结 | 第14-15页 |
| 2 相关理论与技术 | 第15-22页 |
| 2.1 用户兴趣建模过程 | 第15-17页 |
| 2.1.1 数据收集 | 第15-16页 |
| 2.1.2 用户兴趣模型的表示 | 第16-17页 |
| 2.2 用户兴趣建模方法 | 第17-18页 |
| 2.3 正向最大匹配分词算法 | 第18页 |
| 2.4 TF-IDF算法 | 第18-19页 |
| 2.5 相似性公式 | 第19页 |
| 2.6 最小二乘法 | 第19页 |
| 2.7 BP神经网络算法 | 第19-20页 |
| 2.8 基于用户协同过滤算法 | 第20-21页 |
| 2.9 本章小结 | 第21-22页 |
| 3 区分用户长短期兴趣的自动化建模方法 | 第22-36页 |
| 3.1 数据收集 | 第22-24页 |
| 3.1.1 基于隐性收集方式的查询记录收集 | 第22-23页 |
| 3.1.2 基于爬虫的商品分类数据收集 | 第23-24页 |
| 3.2 基于正向最大匹配算法的查询词与商品类别分词 | 第24-26页 |
| 3.2.1 Python的jieba分词 | 第24页 |
| 3.2.2 查询词与商品分类数据的分词 | 第24-25页 |
| 3.2.3 基于TF-IDF算法的查询词与商品类别的表征 | 第25-26页 |
| 3.4 基于向量空间模型的长短期兴趣模型化表示 | 第26-29页 |
| 3.4.1 相似性计算 | 第26页 |
| 3.4.2 长期兴趣的模型化表示 | 第26-27页 |
| 3.4.3 短期兴趣模型化表示 | 第27-29页 |
| 3.5 实验结果与分析 | 第29-35页 |
| 3.5.1 实验软硬件环境 | 第29页 |
| 3.5.2 实验数据集 | 第29页 |
| 3.5.3 实验结果 | 第29-34页 |
| 3.5.4 结果分析 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 4 基于BP神经网络的短期兴趣模式识别 | 第36-45页 |
| 4.1 短期兴趣的基本模式 | 第36-37页 |
| 4.2 基于最小二乘法的兴趣加速度线性拟合 | 第37-39页 |
| 4.3 短期兴趣模式下产生训练数据函数的设计 | 第39页 |
| 4.4 BP网络结构的确定 | 第39-40页 |
| 4.5 实验结果与分析 | 第40-44页 |
| 4.5.1 实验软硬件环境 | 第40页 |
| 4.5.2 实验数据集 | 第40-41页 |
| 4.5.3 实验结果 | 第41-44页 |
| 4.5.4 结果分析 | 第44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 区分用户长短期兴趣的商品推荐 | 第45-53页 |
| 5.1 基于用户协同过滤算法的长短期兴趣的链接推荐 | 第45-46页 |
| 5.2 具体商品的推荐 | 第46-48页 |
| 5.3 实验结果与分析 | 第48-52页 |
| 5.3.1 实验软硬件环境 | 第48页 |
| 5.3.2 实验数据集 | 第48页 |
| 5.3.3 实验结果 | 第48-51页 |
| 5.3.4 结果分析 | 第51-52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 创新性 | 第54页 |
| 6.3 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 图目录 | 第59-60页 |
| 表目录 | 第60页 |
