| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第1章 绪论 | 第13-31页 |
| ·推荐系统的概念 | 第13-15页 |
| ·基本推荐系统示例 | 第15-16页 |
| ·推荐系统的应用领域及商务推荐系统范围 | 第16-19页 |
| ·推荐系统应用领域 | 第16-18页 |
| ·商务推荐系统的研究范围 | 第18-19页 |
| ·当前研究进展概述 | 第19-21页 |
| ·推荐算法研究脉络 | 第19-20页 |
| ·实验性系统构建 | 第20页 |
| ·系统设计的一些零星研究 | 第20页 |
| ·总结 | 第20-21页 |
| ·相关研究领域概述 | 第21-24页 |
| ·机器学习 | 第21-22页 |
| ·数据挖掘 | 第22-23页 |
| ·人工智能 | 第23-24页 |
| ·专家系统 | 第24页 |
| ·本文拟解决的问题 | 第24-25页 |
| ·本文的结构安排 | 第25-27页 |
| ·系统设计的统一框架—信息系统架构 | 第25-26页 |
| ·本文的章节组织 | 第26-27页 |
| ·算法符号约定 | 第27-30页 |
| 参考文献 | 第30-31页 |
| 第2章 推荐问题定义和求解 | 第31-45页 |
| ·推荐问题的定义 | 第31-34页 |
| ·推荐系统的场景 | 第34-35页 |
| ·度量用户对项目的偏好 | 第35-38页 |
| ·度量理论 | 第36-37页 |
| ·度量用户对项目的偏好 | 第37-38页 |
| ·度量用户对项目集合的偏好 | 第38页 |
| ·求解推荐问题的方法和存在的困难 | 第38-41页 |
| ·求解推荐问题的一般方法 | 第38-39页 |
| ·一般方法存在的问题 | 第39-41页 |
| ·一种解决推荐问题的新思路 | 第41-42页 |
| ·对方法进行评判的本质 | 第41页 |
| ·求解推荐问题的新思路:.区别推荐系统和推荐算法 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 参考文献 | 第43-45页 |
| 第3章 推荐系统的评判 | 第45-69页 |
| ·推荐算法精确度评价准则 | 第45-59页 |
| ·预测精确度准则 | 第45-47页 |
| ·分类精确度准则 | 第47-55页 |
| ·排序精确度准则 | 第55-59页 |
| ·推荐系统评判准则—用户满意度 | 第59-62页 |
| ·影响用户满意度的主要因素 | 第59-61页 |
| ·一些特殊情况 | 第61-62页 |
| ·放弃用户满意度准则 | 第62页 |
| ·“交流式改进”方法—指导系统优化的新方法 | 第62-66页 |
| ·思想来源 | 第63-64页 |
| ·设计实现 | 第64-65页 |
| ·效果分析 | 第65-66页 |
| ·本章小结 | 第66-67页 |
| 参考文献 | 第67-69页 |
| 第4章 智能商务推荐系统框架 | 第69-83页 |
| ·商务推荐系统设计需考虑的问题 | 第69-71页 |
| ·商务推荐系统的目标 | 第71-72页 |
| ·智能商务推荐系统的通用流程(Process) | 第72-74页 |
| ·智能商务推荐系统框架 | 第74-81页 |
| ·智能人机接口 | 第75-77页 |
| ·信息采集系统 | 第77-78页 |
| ·推荐任务处理系统 | 第78-79页 |
| ·推荐算法求解系统 | 第79-81页 |
| ·系统数据库 | 第81页 |
| ·本章小结 | 第81-82页 |
| 参考文献 | 第82-83页 |
| 第5章 商务推荐系统设计 | 第83-111页 |
| ·数据角度 | 第83-86页 |
| ·商务推荐系统的输入数据 | 第83-85页 |
| ·商务推荐系统的输出类型 | 第85-86页 |
| ·商务推荐系统内部所需数据集的特征 | 第86页 |
| ·用户流程角度 | 第86-89页 |
| ·用户界面设计角度 | 第89-92页 |
| ·用户界面的基本形式 | 第89-90页 |
| ·用户评价的获取 | 第90-91页 |
| ·用户参与显式评分的心理 | 第91-92页 |
| ·系统算法设计角度 | 第92-107页 |
| ·数据集示例 | 第93-94页 |
| ·协同过滤算法(Collaborative Filtering) | 第94-101页 |
| ·基于内容的推荐算法(Content-based) | 第101-103页 |
| ·混合推荐算法(Hybrid) | 第103-107页 |
| ·本章小结 | 第107-108页 |
| 参考文献 | 第108-111页 |
| 第6章 推荐算法改进与融合 | 第111-139页 |
| ·推荐算法融合的理论探索 | 第111-120页 |
| ·推荐算法的本质 | 第111-113页 |
| ·信息融合技术 | 第113-115页 |
| ·决策层的融合—多分类器集成 | 第115-120页 |
| ·一种基于支持向量机回归的推荐算法 | 第120-129页 |
| ·支持向量机方法在推荐系统中的应用 | 第120-121页 |
| ·支持向量机回归(Support Vector Regression，SVR) | 第121-122页 |
| ·基于支持向量机回归(SVR)的推荐算法 | 第122-124页 |
| ·实验设计与结果 | 第124-128页 |
| ·结论与展望 | 第128-129页 |
| ·用贝叶斯网络实现基于内容推荐算法的尝试 | 第129-135页 |
| ·贝叶斯网络的知识表示 | 第129-132页 |
| ·贝叶斯原则在推荐系统中的应用 | 第132-133页 |
| ·用贝叶斯网络来构建基于内容的推荐算法 | 第133-134页 |
| ·实验设计与结果 | 第134-135页 |
| ·本章小结 | 第135-136页 |
| 参考文献 | 第136-139页 |
| 第7章 回顾与展望 | 第139-145页 |
| ·全文回顾 | 第139-141页 |
| ·商务推荐系统概念界定和分析框架 | 第139-140页 |
| ·推荐问题定义、求解和评判 | 第140-141页 |
| ·商务推荐系统设计的分析 | 第141页 |
| ·推荐算法的融合和改进 | 第141页 |
| ·主要创新点 | 第141-142页 |
| ·研究展望 | 第142-145页 |
| 致谢 | 第145-147页 |
| 攻读博士学位期间发表的学术论文 | 第147页 |
