基于RFM模型的协同过滤方法及其在个性化推荐中的应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-18页 |
| ·研究背景和意义 | 第10-12页 |
| ·研究背景 | 第10页 |
| ·研究意义 | 第10-12页 |
| ·国内外研究现状 | 第12-17页 |
| ·个性化推荐 | 第12-14页 |
| ·RFM 模型 | 第14-16页 |
| ·研究内容与创新之处 | 第16-17页 |
| ·研究步骤及论文架构 | 第17-18页 |
| 2 理论基础简介 | 第18-29页 |
| ·个性化推荐简介 | 第18-23页 |
| ·基于邻域的推荐方法 | 第18-22页 |
| ·其他个性化推荐方法简介 | 第22-23页 |
| ·RFM 模型 | 第23-25页 |
| ·评价指标 | 第25-28页 |
| ·小结 | 第28-29页 |
| 3 基于客户分类的个性化推荐方法 | 第29-43页 |
| ·基于 RFM 的个性化推荐方法 | 第29-32页 |
| ·构造商品评价矩阵 | 第32-34页 |
| ·计算客户-物品 RFM 值 | 第32-33页 |
| ·数据标准化 | 第33-34页 |
| ·矩阵构造 | 第34页 |
| ·基于 RFM 的客户价值分类 | 第34-37页 |
| ·基于模糊 C 均值的客户分类 | 第37-39页 |
| ·模糊聚类算法概述 | 第37-39页 |
| ·基于模糊 C 均值的客户分类 | 第39页 |
| ·个性化推荐 | 第39-42页 |
| ·基于用户的协同过滤算法 | 第39-40页 |
| ·物品推荐 | 第40-42页 |
| ·小结 | 第42-43页 |
| 4 实证以及结果分析 | 第43-60页 |
| ·数据来源 | 第43-44页 |
| ·原始数据推荐 | 第44-49页 |
| ·评分矩阵的推荐效果 | 第45-47页 |
| ·用户物品 0-1 矩阵的推荐效果 | 第47-49页 |
| ·基于 RFM 的用户分类推荐 | 第49-54页 |
| ·基于 RFM 的分类结果 | 第49-52页 |
| ·分类顾客推荐 | 第52-54页 |
| ·基于模糊 C 均值的推荐结果 | 第54-56页 |
| ·模糊 C 均值的分类结果 | 第54页 |
| ·个性化推荐结果 | 第54-56页 |
| ·结果分析 | 第56-58页 |
| ·结论 | 第56-57页 |
| ·实际意义 | 第57-58页 |
| ·小结 | 第58-60页 |
| 5 总结及展望 | 第60-62页 |
| ·论文总结 | 第60-61页 |
| ·未来研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 1 | 第66-67页 |
| 附录 2 | 第67-79页 |
