| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 引言 | 第10-11页 |
| 第1章 绪论 | 第11-22页 |
| 1.1 选题背景与意义 | 第11-13页 |
| 1.2 智能推荐技术的研究现状及应用 | 第13-18页 |
| 1.2.1 个性化推荐技术研究现状 | 第13-14页 |
| 1.2.2 智能推荐技术在传统的非UGC电商平台的应用 | 第14-16页 |
| 1.2.3 基于UGC的智能推荐技术 | 第16-18页 |
| 1.3 研究思路及内容流程图 | 第18-20页 |
| 1.4 章节安排 | 第20-22页 |
| 第2章 针对UGC信息的数据挖掘与量化评价 | 第22-32页 |
| 2.1 UGC数据的采集 | 第22-24页 |
| 2.1.1 UGC数据收集方法 | 第22-23页 |
| 2.1.2 社交电商UGC数据的来源 | 第23-24页 |
| 2.1.3 UGC数据特点分析 | 第24页 |
| 2.2 社交电商UGC数据特点分析及数据挖掘 | 第24-29页 |
| 2.2.1 数据挖掘简述 | 第24-25页 |
| 2.2.2 数据挖掘的功能及过程 | 第25-27页 |
| 2.2.3 数据挖掘技术的常用算法 | 第27页 |
| 2.2.4 UGC数据挖掘 | 第27-29页 |
| 2.3 UGC数据的量化评价 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 UGC智能推荐算法研究 | 第32-50页 |
| 3.1 UGC推荐系统和传统推荐系统的差异分析 | 第32-38页 |
| 3.1.1 传统电商推荐系统的特点分析 | 第32-36页 |
| 3.1.2 UGC电商推荐系统的特点分析 | 第36-37页 |
| 3.1.3 两种推荐系统对比差异分析 | 第37-38页 |
| 3.2 基于多目标模糊分类的UGC智能推荐算法设计 | 第38-48页 |
| 3.2.1 总体设计 | 第38-39页 |
| 3.2.2 基于潜在因子算法的原始用户的初始推荐 | 第39-40页 |
| 3.2.3 基于商品兴趣度进行人群划分 | 第40-45页 |
| 3.2.4 基于用户最大分组的新用户初始推荐 | 第45-48页 |
| 3.3 本章小结 | 第48-50页 |
| 第4章 智能推荐系统的设计与实现 | 第50-60页 |
| 4.1 系统总体架构设计 | 第50-51页 |
| 4.2 系统设计及分析 | 第51-53页 |
| 4.2.1 需求分析 | 第51-52页 |
| 4.2.2 设计目标 | 第52-53页 |
| 4.3 基于APACHE MAHOUT的智能推荐算法实例 | 第53-58页 |
| 4.3.1 运行环境的搭建 | 第53-54页 |
| 4.3.2 数据源选用 | 第54页 |
| 4.3.3 数据建模 | 第54-56页 |
| 4.3.4 智能推荐算法实现 | 第56-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第5章 结论 | 第60-63页 |
| 5.1 结论 | 第60-61页 |
| 5.2 待进一步研究方向 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
