摘要 | 第4-5页 |
Abstract | 第5-6页 |
专用术语注释表 | 第9-10页 |
第一章 绪论 | 第10-14页 |
1.1 研究背景与意义 | 第10-11页 |
1.2 国内外研究及应用现状 | 第11-12页 |
1.3 论文的主要研究内容 | 第12-13页 |
1.4 论文的创新点 | 第13-14页 |
第二章 相关背景知识介绍 | 第14-21页 |
2.1 Hyperscan多模正则匹配技术 | 第14-16页 |
2.1.1 Hyperscan匹配方式 | 第14页 |
2.1.2 Hyperscan工作方式 | 第14-16页 |
2.2 回归分析算法 | 第16-17页 |
2.2.1 Logistics Regression逻辑回归 | 第16-17页 |
2.2.2 Random Forest随机森林 | 第17页 |
2.3 个性化推荐技术研究现状 | 第17-21页 |
2.3.1 基于兴趣热度推荐技术 | 第17-19页 |
2.3.2 基于用户的协同推荐 | 第19-21页 |
第三章 基于运营商管道大数据的智能电商推荐系统框架 | 第21-24页 |
3.1 基于深度包解析的用户特征提取 | 第21-22页 |
3.2 基于用户电商行为的标签提取 | 第22-23页 |
3.3 基于用户标签的个性化推荐 | 第23-24页 |
第四章 基于家庭宽带下用户信息的自动提取 | 第24-33页 |
4.1 用户信息提取概述 | 第24页 |
4.2 关键字自动提取概述 | 第24-25页 |
4.3 家庭宽带用户流量采集 | 第25页 |
4.4 用户身份特征关键字清洗 | 第25-27页 |
4.5 用户身份特征关键字去噪 | 第27-29页 |
4.6 性能对比与分析 | 第29-32页 |
4.6.1 准确率 | 第30页 |
4.6.2 漏判率 | 第30-31页 |
4.6.3 误判率 | 第31-32页 |
4.7 本章小结 | 第32-33页 |
第五章 基于电商搜索记录的用户标签提取 | 第33-45页 |
5.1 用户标签提取概述 | 第33-34页 |
5.2 分布式爬虫模块 | 第34-38页 |
5.2.1 分布式爬虫架构 | 第34-36页 |
5.2.2 基于Redis+布隆过滤器的Url去重 | 第36-38页 |
5.3 标签库预处理模块 | 第38-42页 |
5.3.1 基于ICTCLAS的商品名称关键词条提取 | 第38-40页 |
5.3.2 基于商品词条的标签K-means聚类融合算法 | 第40-42页 |
5.3.3 基于倒排索引的字典库重构 | 第42页 |
5.4 标签提取模块 | 第42页 |
5.5 标签库的动态维护 | 第42-43页 |
5.6 性能对比与分析 | 第43-44页 |
5.6.1 URL去重漏失率 | 第43页 |
5.6.2 标签字典库建立 | 第43-44页 |
5.7 本章小结 | 第44-45页 |
第六章 基于用户标签的个性化推荐 | 第45-57页 |
6.1 个性化推荐概述 | 第45-46页 |
6.2 基于改进梯度提升回归算法的兴趣预测 | 第46-50页 |
6.2.1 兴趣因子 | 第46-47页 |
6.2.2 梯度提升回归算法 | 第47页 |
6.2.3 损失函数 | 第47-49页 |
6.2.4 改进GBDT算法 | 第49-50页 |
6.3 基于改进SVD算法的协同过虑推荐 | 第50-54页 |
6.3.1 SVD算法 | 第50-52页 |
6.3.2 改进的SVD算法 | 第52-54页 |
6.4 混合推荐算法 | 第54页 |
6.5 性能对比与分析 | 第54-56页 |
6.5.1 准确率 | 第54-55页 |
6.5.2 召回率 | 第55-56页 |
6.5.3 F1成绩 | 第56页 |
6.6 本章小结 | 第56-57页 |
第七章 系统测试与实现 | 第57-65页 |
7.1 测试平台搭建 | 第57-61页 |
7.1.1 广告推送平台 | 第58-59页 |
7.1.2 Web管理平台 | 第59-61页 |
7.1.3 第三方统计平台 | 第61页 |
7.2 推送效果 | 第61-62页 |
7.3 数据分析 | 第62-65页 |
第八章 总结与展望 | 第65-66页 |
参考文献 | 第66-69页 |
附录1 程序清单 | 第69-70页 |
附录2 攻读硕士学位期间撰写的论文 | 第70-71页 |
附录3 攻读硕士学位期间申请的专利 | 第71-72页 |
附录4 攻读硕士学位期间参加的科研项目 | 第72-73页 |
致谢 | 第73页 |