| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-17页 |
| 第二章 个性化推荐 | 第17-27页 |
| 2.1 推荐系统概述 | 第17-18页 |
| 2.2 个性化推荐技术 | 第18-24页 |
| 2.2.1 协同过滤推荐技术 | 第19-22页 |
| 2.2.2 基于内容的推荐 | 第22-24页 |
| 2.2.3 混合推荐技术 | 第24页 |
| 2.3 评价指标 | 第24-26页 |
| 2.3.1 准确率指标 | 第25-26页 |
| 2.3.2 其他评价指标 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 推荐平台的系统架构 | 第27-47页 |
| 3.1 问题描述 | 第27页 |
| 3.2 推荐系统架构 | 第27-32页 |
| 3.3 数据流及应急设计 | 第32-36页 |
| 3.3.1 数据流向 | 第33-35页 |
| 3.3.2 应急方案 | 第35-36页 |
| 3.3.3 调度策略 | 第36页 |
| 3.4 主要子模块介绍 | 第36-46页 |
| 3.4.1 数据持久化子模块 | 第36-38页 |
| 3.4.2 数据预处理子模块 | 第38-39页 |
| 3.4.3 参数控制子模块 | 第39页 |
| 3.4.4 算法接.子模块 | 第39-40页 |
| 3.4.5 文本分析和文本挖掘算法子模块 | 第40-42页 |
| 3.4.6 机器学习算法子模块 | 第42页 |
| 3.4.7 推荐算法子模块 | 第42-43页 |
| 3.4.8 集成学习子模块 | 第43-44页 |
| 3.4.9 营销规则子模块 | 第44-45页 |
| 3.4.10统计分析子模块 | 第45-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第四章 基于用户行为的个性化证券信息推荐方法 | 第47-59页 |
| 4.1 问题描述 | 第47页 |
| 4.2 算法思想 | 第47-48页 |
| 4.3 算法设计 | 第48-56页 |
| 4.3.1 基于用户行为的推送服务离线模块 | 第48-53页 |
| 4.3.2 基于用户行为的在线响应模块 | 第53-56页 |
| 4.4 基于用户行为的个性化证券推荐方法的实验结果 | 第56-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 基于文本分析的个性化证券信息推荐方法 | 第59-70页 |
| 5.1 问题描述 | 第59页 |
| 5.2 算法思想 | 第59-60页 |
| 5.3 算法设计 | 第60-67页 |
| 5.3.1 基于文本分析的推送服务离线模块 | 第60-65页 |
| 5.3.2 基于文本分析的在线响应模块 | 第65-67页 |
| 5.4 基于文本分析的个性化证券推荐方法的实验结果 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 第六章 总结和展望 | 第70-72页 |
| 6.1 本文研究总结 | 第70-71页 |
| 6.2 前景和未来工作 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 攻硕期间取得的研究成果 | 第76-77页 |