| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-16页 |
| ·研究背景及研究意义 | 第9-10页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10页 |
| ·国内外研究进展及动态 | 第10-15页 |
| ·汽车电子商务的发展现状 | 第10-12页 |
| ·推荐技术的研究现状 | 第12-14页 |
| ·协同过滤技术的研究现状 | 第14-15页 |
| ·创新之处与文章的结构安排 | 第15-16页 |
| 第二章 电子商务个性化推荐系统 | 第16-26页 |
| ·电子商务个性化推荐系统综述 | 第16-21页 |
| ·电子商务个性化推荐系统概念 | 第16-17页 |
| ·电子商务个性化推荐系统的作用 | 第17页 |
| ·电子商务个性化推荐系统构成 | 第17-18页 |
| ·电子商务个性化推荐系统的分类 | 第18-20页 |
| ·电子商务个性化推荐系统的整体框架 | 第20-21页 |
| ·电子商务个性化推荐系统的相关技术 | 第21-23页 |
| ·协同过滤推荐 | 第21页 |
| ·基于规则的推荐 | 第21-22页 |
| ·基于内容的推荐 | 第22页 |
| ·基于用户人口统计信息的推荐 | 第22-23页 |
| ·基于效用的推荐 | 第23页 |
| ·基于知识的推荐 | 第23页 |
| ·各种推荐技术特点比较 | 第23-26页 |
| 第三章 协同过滤推荐系统 | 第26-34页 |
| ·协同过滤的概念 | 第26页 |
| ·协同过滤系统的原理 | 第26-29页 |
| ·协同过滤推荐系统的数据输入与输出 | 第28页 |
| ·协同过滤推荐系统的输出 | 第28-29页 |
| ·协同过滤算法 | 第29-34页 |
| ·User-based协同过滤推荐算法 | 第29-32页 |
| ·Item-based协同过滤推荐算法 | 第32-34页 |
| 第四章 基于属性值偏好矩阵的协同过滤算法在汽车电子商务中的应用 | 第34-45页 |
| ·传统协同过滤推荐算法存在的主要问题 | 第34-35页 |
| ·评分数据的稀疏性(Sparsity)问题 | 第34页 |
| ·冷开始(Cold-start)问题 | 第34-35页 |
| ·基于属性值偏好矩阵的协同过滤算法 | 第35-38页 |
| ·算法提出的原因 | 第35-36页 |
| ·算法的基本思路 | 第36-37页 |
| ·缓解数据稀疏性和冷开始问题的方法 | 第37-38页 |
| ·改进算法在汽车电子商务推荐模型中的应用 | 第38-45页 |
| ·汽车信息模型 | 第39-40页 |
| ·用户信息模型 | 第40页 |
| ·数据处理 | 第40-41页 |
| ·推荐过程 | 第41-45页 |
| 第五章 汽车电子商务个性化推荐系统的设计 | 第45-59页 |
| ·应用背景及系统设计思路 | 第45-46页 |
| ·应用背景 | 第45-46页 |
| ·系统的设计思路 | 第46页 |
| ·推荐系统的模型构建 | 第46-49页 |
| ·推荐功能概述 | 第47页 |
| ·系统模块划分 | 第47-49页 |
| ·数据管理 | 第49-51页 |
| ·用户信息数据库 | 第50页 |
| ·汽车信息数据库 | 第50-51页 |
| ·评分数据库 | 第51页 |
| ·推荐系统的设计 | 第51-54页 |
| ·属性值偏好矩阵的部分代码 | 第54-57页 |
| ·推荐系统功能示例 | 第57-59页 |
| 第六章 结论与展望 | 第59-61页 |
| ·本文主要内容的总结 | 第59页 |
| ·未来展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间发表的论文 | 第65页 |