| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 研究现状 | 第14-16页 |
| 1.2.1 电商平台的行为分析研究现状 | 第15页 |
| 1.2.2 基于机器学习的推荐系统研究现状 | 第15-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 电商平台推荐系统的相关研究基础 | 第18-25页 |
| 2.1 推荐系统简介 | 第18页 |
| 2.2 电子商务中的推荐系统 | 第18-21页 |
| 2.2.1 获取用户信息 | 第19页 |
| 2.2.2 构建用户画像 | 第19-20页 |
| 2.2.3 不同种类的推荐 | 第20-21页 |
| 2.3 时间演化推荐系统 | 第21-23页 |
| 2.3.1 基于时间上下文的推荐系统 | 第22页 |
| 2.3.2 基于时间行为序列的推荐系统 | 第22-23页 |
| 2.4 推荐系统评价指标 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 电商网站中用户时变行为分析 | 第25-36页 |
| 3.1 数据描述 | 第25-27页 |
| 3.1.1 原始数据 | 第25-26页 |
| 3.1.2 数据预处理 | 第26-27页 |
| 3.2 用户时变行为分析 | 第27-31页 |
| 3.2.1 品牌接触分析 | 第27-28页 |
| 3.2.2 点击行为分析 | 第28-29页 |
| 3.2.3 收藏行为分析 | 第29-30页 |
| 3.2.4 购买行为分析 | 第30-31页 |
| 3.3 用户属性分析 | 第31-34页 |
| 3.3.1 用户行为频次分析 | 第31-33页 |
| 3.3.2 用户属性分析 | 第33-34页 |
| 3.4 品牌分析 | 第34-35页 |
| 3.4.1 品牌流行度分析 | 第34页 |
| 3.4.2 品牌用户群分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于用户时变特征的品牌购买预测 | 第36-46页 |
| 4.1 特征分析 | 第36-38页 |
| 4.1.1 行为特征 | 第36-37页 |
| 4.1.2 用户特征 | 第37页 |
| 4.1.3 品牌特性特征 | 第37-38页 |
| 4.2 实验方法及分类器选择 | 第38-41页 |
| 4.2.1 朴素贝叶斯(Na?veBayes,NB) | 第39-40页 |
| 4.2.2 支持向量机(SupportVectorMachine,SVM) | 第40页 |
| 4.2.3 逻辑回归(LogisticsRegression,LR) | 第40页 |
| 4.2.4 分类器选择 | 第40-41页 |
| 4.3 促销活动品牌购买预测 | 第41-42页 |
| 4.3.1 参数设置 | 第41-42页 |
| 4.4 日常品牌购买预测 | 第42-43页 |
| 4.4.1 参数设置 | 第43页 |
| 4.5 实验结果及分析 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第5章 基于融合相似度的推荐算法 | 第46-56页 |
| 5.1 相似度预测存在的问题 | 第46-47页 |
| 5.2 算法及整体架构 | 第47-51页 |
| 5.2.1 数据集划分 | 第47-48页 |
| 5.2.2 特征选择 | 第48-49页 |
| 5.2.3 模型选择及训练 | 第49-50页 |
| 5.2.4 基于用户相似度的推荐算法设计 | 第50-51页 |
| 5.3 实验分析 | 第51-55页 |
| 5.3.1 数据处理 | 第51-52页 |
| 5.3.2 实验结果及分析 | 第52-53页 |
| 5.3.3 对比实验分析 | 第53-54页 |
| 5.3.4 实验总结 | 第54-55页 |
| 5.4 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第64-65页 |
| 附录B 攻读学位期间参与的研究项目 | 第65-66页 |
| 致谢 | 第66页 |
