| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.1.1 研究背景 | 第8-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 用户偏好模型的研究现状 | 第11-13页 |
| 1.2.2 协同过滤推荐算法的研究现状 | 第13-14页 |
| 1.2.3 个性化服务应用现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 2 个性化搜索相关技术 | 第17-30页 |
| 2.1 ElasticSearch搜索服务器简介 | 第17-19页 |
| 2.1.1 ElasticSearch技术结构 | 第17-19页 |
| 2.1.2 ElasticSearch优势及应用 | 第19页 |
| 2.2 Levenberg-Marquardt神经网络算法 | 第19-21页 |
| 2.2.1 牛顿法和高斯牛顿法 | 第20-21页 |
| 2.2.2 Levenberg-Marquardt算法 | 第21页 |
| 2.3 推荐算法分类 | 第21-29页 |
| 2.3.1 用户相似度计算 | 第22页 |
| 2.3.2 基于内容的推荐算法 | 第22-23页 |
| 2.3.3 基于协同过滤的推荐算法 | 第23-27页 |
| 2.3.4 组合推荐算法 | 第27-28页 |
| 2.3.5 系统的评价指标 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 个性化搜索系统用户偏好模型构建 | 第30-43页 |
| 3.1 个性化偏好模型构建 | 第30-33页 |
| 3.1.1 用户特征属性矩阵 | 第30-31页 |
| 3.1.2 商品特征属性矩阵 | 第31-33页 |
| 3.2 用户行为数据降维预处理 | 第33-36页 |
| 3.3 用户偏好模型训练 | 第36-39页 |
| 3.3.1 隐形节点的确定 | 第36-38页 |
| 3.3.2 LM-BP算法的训练 | 第38-39页 |
| 3.4 实验设计以及结果分析 | 第39-42页 |
| 3.4.1 测试数据集 | 第39页 |
| 3.4.2 性能评价 | 第39页 |
| 3.4.3 结果分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于用户偏好模型的协同过滤算法 | 第43-49页 |
| 4.1 基于用户偏好模型的协同过滤算法流程 | 第43-46页 |
| 4.1.1 评分矩阵的获取 | 第43-44页 |
| 4.1.2 用户间相似度计算 | 第44页 |
| 4.1.3 最近邻居搜索 | 第44-45页 |
| 4.1.4 预测评分生成 | 第45-46页 |
| 4.2 实验结果分析 | 第46-48页 |
| 4.2.1 实验数据集 | 第46页 |
| 4.2.2 性能评价 | 第46页 |
| 4.2.3 结果分析 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 5 个性化搜索系统搭建 | 第49-59页 |
| 5.1 个性化搜索系统整体架构 | 第49页 |
| 5.2 个性化搜索系统模块功能 | 第49-50页 |
| 5.3 处理流程及结果展示 | 第50-58页 |
| 5.4 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |