基于协同过滤的信息商品个性化捆绑推荐研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 致谢 | 第8-12页 |
| 第一章 绪论 | 第12-18页 |
| ·研究背景 | 第12-15页 |
| ·商品捆绑销售 | 第12-13页 |
| ·个性化推荐 | 第13页 |
| ·个性化推荐技术 | 第13-15页 |
| ·目前研究现状 | 第15页 |
| ·课题研究的目的与意义 | 第15-16页 |
| ·本文主要研究内容和组织 | 第16-18页 |
| 第二章 信息商品捆绑销售策略概述 | 第18-26页 |
| ·商品捆绑理论 | 第18-20页 |
| ·传统商品捆绑销售 | 第18-19页 |
| ·捆绑销售实施条件 | 第19页 |
| ·捆绑销售的影响因素 | 第19-20页 |
| ·信息商品特性 | 第20-24页 |
| ·信息商品的市场结构转向 | 第20-22页 |
| ·信息商品的优势 | 第22-23页 |
| ·信息商品捆绑销售版本划分策略 | 第23-24页 |
| ·商品捆绑销售的效应分析 | 第24-25页 |
| ·商品捆绑销售对厂商的效应 | 第24-25页 |
| ·商品捆绑销售对消费者的效应 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于用户聚类的协同过滤推荐技术 | 第26-38页 |
| ·聚类的相关概念 | 第26-30页 |
| ·聚类分析 | 第26-29页 |
| ·聚类相似度的度量 | 第29-30页 |
| ·常用的聚类算法 | 第30-33页 |
| ·k-平均算法 | 第30-31页 |
| ·k-中心算法 | 第31-32页 |
| ·DIANA 算法 | 第32-33页 |
| ·DBSCAN 算法 | 第33页 |
| ·基于用户聚类的协同过滤算法 | 第33-37页 |
| ·相关概念 | 第33-34页 |
| ·离线用户聚类算法 | 第34-35页 |
| ·在线搜索最近邻居并产生推荐 | 第35-36页 |
| ·算法的时间复杂度分析 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 引入商品利润因素的个性化推荐 | 第38-47页 |
| ·传统的推荐系统 | 第39-40页 |
| ·融入利润因素的商品推荐 | 第40-43页 |
| ·不同角度的商品推荐系统 | 第40-41页 |
| ·融入利润因素的商品推荐系统 | 第41-43页 |
| ·引入商品收益因素的推荐系统的性能分析 | 第43-46页 |
| ·捆绑商品个性化推荐系统体系结构 | 第43-44页 |
| ·数据集 | 第44页 |
| ·评估方法 | 第44-45页 |
| ·实验结果 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| ·论文的主要工作 | 第47页 |
| ·未来研究展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文 | 第52-53页 |
