| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.2.1 推荐系统研究意义 | 第9-10页 |
| 1.2.2 卸载预测研究意义 | 第10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 推荐系统研究现状 | 第10-11页 |
| 1.3.2 移动应用的研究现状 | 第11-12页 |
| 1.3.3 机器学习在数据挖掘中的研究现状 | 第12-13页 |
| 1.3.4 特征选择的研究现状 | 第13页 |
| 1.3.5 机器学习方法在移动应用商店中的研究现状 | 第13页 |
| 1.3.6 Python在机器学习方面的应用 | 第13-14页 |
| 1.4 本文主要工作 | 第14-15页 |
| 2 理论知识 | 第15-30页 |
| 2.1 推荐系统相关知识 | 第15-23页 |
| 2.1.1 用户行为数据 | 第15页 |
| 2.1.2 推荐引擎架构 | 第15-17页 |
| 2.1.3 系统评测 | 第17-19页 |
| 2.1.4 基于协同过滤的推荐系统算法 | 第19-23页 |
| 2.2 数据挖掘与机器学习相关知识 | 第23-29页 |
| 2.2.1 时间序列挖掘简介 | 第23-24页 |
| 2.2.2 常用机器学习方法简介 | 第24-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于时间序列挖掘的App安装推荐 | 第30-43页 |
| 3.1 数据预处理与数据分析 | 第30-33页 |
| 3.1.1 数据收集 | 第30-31页 |
| 3.1.2 数据预处理 | 第31-33页 |
| 3.2 建立个性化评分模型 | 第33-35页 |
| 3.2.1 原始模型 | 第33页 |
| 3.2.2 改良：加入卸载信息和固有评分 | 第33-35页 |
| 3.2.3 评分矩阵 | 第35页 |
| 3.3 实验结果分析与对比 | 第35-42页 |
| 3.3.1 相似度计算 | 第35-36页 |
| 3.3.2 生成推荐 | 第36页 |
| 3.3.3 测试脚本编写 | 第36-37页 |
| 3.3.4 离线测试 | 第37-40页 |
| 3.3.5 横向对比试验 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 4 基于时间序列挖掘的App卸载预测算 | 第43-58页 |
| 4.1 数据预处理与数据分析 | 第43-48页 |
| 4.1.1 数据收集 | 第43页 |
| 4.1.2 数据预处理 | 第43-44页 |
| 4.1.3 构造训练集和测试集 | 第44-46页 |
| 4.1.4 特征构造 | 第46-48页 |
| 4.2 实验结果分析与对比 | 第48-57页 |
| 4.2.1 概述 | 第48页 |
| 4.2.2 评价指标说明 | 第48-49页 |
| 4.2.3 特征选取 | 第49-50页 |
| 4.2.4 实验结果对比 | 第50-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58页 |
| 5.2 展望 | 第58-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录 | 第64页 |
| A.作者在攻读硕士学位期间参与的科研项目 | 第64页 |
| B.作者在攻读硕士学位期间参与的科研项目 | 第64页 |