| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究的背景与意义 | 第12-13页 |
| ·研究背景 | 第12页 |
| ·研究意义 | 第12-13页 |
| ·协同过滤推荐技术的国内外研究现状 | 第13-17页 |
| ·协同过滤推荐系统的国内外研究现状 | 第13-14页 |
| ·协同过滤推荐算法的国内外研究现状 | 第14-17页 |
| ·论文的研究内容、技术路线及组织结构 | 第17-19页 |
| ·论文的研究内容 | 第17-18页 |
| ·论文的技术路线 | 第18-19页 |
| ·论文的组织结构 | 第19页 |
| ·创新点 | 第19-20页 |
| 第2章 电子商务推荐系统及其相关技术 | 第20-27页 |
| ·电子商务推荐系统概述 | 第20-24页 |
| ·电子商务推荐系统的概念 | 第20页 |
| ·电子商务推荐系统的组成 | 第20-22页 |
| ·电子商务推荐系统的框架及流程 | 第22-23页 |
| ·电子商务推荐系统的分类 | 第23-24页 |
| ·相关技术 | 第24-26页 |
| ·知识工程技术 | 第24页 |
| ·信息检索技术 | 第24-25页 |
| ·信息过滤技术 | 第25页 |
| ·关联规则挖掘技术 | 第25页 |
| ·聚类技术 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 电子商务个性化推荐算法的研究 | 第27-35页 |
| ·基于规则的推荐算法 | 第27页 |
| ·基于内容的推荐算法 | 第27-29页 |
| ·协同过滤推荐算法 | 第29-34页 |
| ·协同过滤推荐算法的处理流程 | 第29-32页 |
| ·协同过滤推荐算法的优势 | 第32页 |
| ·协同过滤推荐算法存在的问题及现有解决办法 | 第32-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 基于RFM 模型与聚类技术的协同过滤推荐方法 | 第35-54页 |
| ·改进方法的提出及总体设计思路 | 第35-36页 |
| ·改进方法的提出 | 第35-36页 |
| ·改进方法的总体设计思路 | 第36页 |
| ·基于RFM 模型K-均值聚类的协同过滤推荐算法 | 第36-46页 |
| ·基于RFM 模型K-均值聚类的协同过滤推荐算法的处理流程 | 第36-37页 |
| ·RFM 模型计算 | 第37-42页 |
| ·基于RFM 模型的K-均值聚类 | 第42-44页 |
| ·协同过滤推荐 | 第44-46页 |
| ·基于客户属性模糊C-均值聚类的协同过滤推荐算法 | 第46-50页 |
| ·基于客户属性模糊C-均值聚类的协同过滤推荐算法的处理流程 | 第46-47页 |
| ·客户属性的规范化处理 | 第47-48页 |
| ·基于客户属性的模糊C-均值聚类 | 第48-49页 |
| ·购买分析值预测及商品推荐的产生 | 第49-50页 |
| ·差异化推荐方式的设计 | 第50-53页 |
| ·设计差异化推荐方式的目的 | 第50页 |
| ·差异化推荐方式的具体设计 | 第50-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 实验及结果分析 | 第54-62页 |
| ·实验数据及实验环境 | 第54页 |
| ·评估标准 | 第54-56页 |
| ·实验一：基于RFM 模型K-均值聚类的协同过滤推荐算法的验证 | 第56-59页 |
| ·实验过程 | 第56-59页 |
| ·结果分析 | 第59页 |
| ·实验二：基于客户属性模糊C-均值聚类的协同过滤推荐算法的验证 | 第59-61页 |
| ·实验过程 | 第59-61页 |
| ·结果分析 | 第61页 |
| ·本章小结 | 第61-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录1 | 第69-70页 |
| 附录2 | 第70-72页 |
| 附录3 | 第72-76页 |
| 攻读硕士学位期间所发表的学术论文及参与的科研项目 | 第76-77页 |
| 致谢 | 第77-78页 |
| 详细摘要 | 第78-82页 |
