众包配送中的服务推荐研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-25页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 问题的提出和研究意义 | 第12-14页 |
| 1.3 相关研究现状及其分析 | 第14-20页 |
| 1.3.1 众包配送服务的问题研究 | 第14-17页 |
| 1.3.2 服务推荐的研究现状 | 第17-18页 |
| 1.3.3 众包配送的服务推荐方法研究 | 第18-20页 |
| 1.4 研究内容与思路 | 第20-22页 |
| 1.4.1 研究内容 | 第20-22页 |
| 1.4.2 研究思路 | 第22页 |
| 1.5 论文框架 | 第22-24页 |
| 1.6 本章小结 | 第24-25页 |
| 2 理论基础和研究框架 | 第25-37页 |
| 2.1 众包配送的概念及特点 | 第25-27页 |
| 2.1.1 众包配送的概念 | 第25-26页 |
| 2.1.2 众包配送的特点 | 第26-27页 |
| 2.2 众包配送中的服务推荐 | 第27-32页 |
| 2.2.1 众包配送中的服务推荐概念 | 第27-28页 |
| 2.2.2 众包配送中的服务推荐特点 | 第28-32页 |
| 2.3 众包配送中的服务推荐研究框架 | 第32-36页 |
| 2.3.1 协同过滤推荐算法介绍 | 第32-33页 |
| 2.3.2 研究框架 | 第33-36页 |
| 2.4 本章小结 | 第36-37页 |
| 3 用户的评分波动性量化 | 第37-45页 |
| 3.1 用户对单一服务属性评分的时序波动性分析 | 第37-39页 |
| 3.1.1 评分波动性量化问题 | 第37-39页 |
| 3.1.2 用户评分波动性量化原理 | 第39页 |
| 3.2 基于信息熵的服务评分波动性刻画 | 第39-42页 |
| 3.2.1 信息熵的概念 | 第39-42页 |
| 3.2.2 评分波动性量化的计算 | 第42页 |
| 3.3 本章小结 | 第42-45页 |
| 4 基于单一服务属性的最近邻预测 | 第45-53页 |
| 4.1 基于用户的协同过滤推荐过程 | 第45-48页 |
| 4.2 基于单一服务属性的最近邻居预测 | 第48-52页 |
| 4.2.1 用户评分的输入 | 第48-50页 |
| 4.2.2 服务属性评分预测值的输出 | 第50页 |
| 4.2.3 用户评分的存储和实现 | 第50-52页 |
| 4.3 本章小结 | 第52-53页 |
| 5 基于协同过滤的众包配送服务推荐 | 第53-65页 |
| 5.1 基于单一服务属性的评分预测方法设计 | 第53-58页 |
| 5.1.1 假设条件和符号说明 | 第54-55页 |
| 5.1.2 评分预测方法构建 | 第55-58页 |
| 5.2 众包配送服务多属性评分体系构建 | 第58-64页 |
| 5.2.1 多属性评分体系构建过程 | 第59页 |
| 5.2.2 多属性评分体系权重确定 | 第59-64页 |
| 5.3 配送服务推荐结果计算 | 第64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 实验评估与案例应用 | 第65-85页 |
| 6.1 实验安排 | 第65-68页 |
| 6.1.1 实验环境和数据集 | 第65-66页 |
| 6.1.2 实验评估方法 | 第66-68页 |
| 6.2 属性权重确定方法比较实验 | 第68-69页 |
| 6.3 实验结果与分析 | 第69-73页 |
| 6.3.1 MAE分析 | 第69-71页 |
| 6.3.2 准确率分析 | 第71-72页 |
| 6.3.3 召回率分析 | 第72-73页 |
| 6.3.4 实验结论 | 第73页 |
| 6.4 案例准备 | 第73-79页 |
| 6.4.1 企业概括 | 第73-76页 |
| 6.4.2 数据准备 | 第76-79页 |
| 6.5 案例结果对比分析 | 第79-83页 |
| 6.5.1 生成推荐列表 | 第79-81页 |
| 6.5.2 Top-N推荐 | 第81页 |
| 6.5.3 用户满意度分析 | 第81-82页 |
| 6.5.4 用户满意度测试 | 第82-83页 |
| 6.6 本章小结 | 第83-85页 |
| 7 总结与展望 | 第85-89页 |
| 7.1 总结 | 第85-86页 |
| 7.2 展望 | 第86-89页 |
| 参考文献 | 第89-97页 |
| 攻读学位期间的研究成果 | 第97-99页 |
| 致谢 | 第99页 |
