支持向量机在个性化推荐中的应用
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| ·个性化推荐的研究背景 | 第10页 |
| ·个性化推荐的发展现状 | 第10-11页 |
| ·现有推荐算法不能识别用户的购物意愿 | 第11-13页 |
| ·本文研究内容 | 第13-14页 |
| ·论文组织结构 | 第14-15页 |
| 第二章 电子商务中个性化推荐技术概要 | 第15-30页 |
| ·数据挖掘技术 | 第15-18页 |
| ·个性化推荐算法 | 第18-23页 |
| ·SVM 基本概念 | 第23-28页 |
| ·个性化推荐中的阈值模型 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第三章 用户购物意愿识别算法 | 第30-56页 |
| ·用户购物意愿识别算法的背景 | 第30-31页 |
| ·基于支持向量机的购物意愿识别算法 | 第31-48页 |
| ·算法基本思想与流程 | 第31-32页 |
| ·源数据的特征提取 | 第32-38页 |
| ·特征分类能力分析 | 第38-41页 |
| ·生成训练模型的输入样本 | 第41-42页 |
| ·训练 SVM 模型的参数选取 | 第42-45页 |
| ·使用 SVM 构建识别算法模型 | 第45-48页 |
| ·基于 SVM 的识别算法性能分析 | 第48页 |
| ·基于阈值模型的购物意愿识别算法 | 第48-53页 |
| ·算法的基本思想 | 第48-49页 |
| ·使用阈值模型构造识别算法 | 第49-53页 |
| 1. 训练阶段 | 第50-52页 |
| 2. 算法的工作阶段处理流程 | 第52-53页 |
| ·阈值-SVM 混合识别模型 | 第53-55页 |
| ·阈值-SVM 混合算法的思路 | 第53-54页 |
| ·混合算法性能分析 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第四章 用户购物意愿识别算法性能评测 | 第56-70页 |
| ·基于商品相似性的协同过滤算法性能分析 | 第56-57页 |
| ·计算相似时采取的算法 | 第56页 |
| ·性能指标分析 | 第56-57页 |
| ·使用购物意愿识别算法对协同过滤算法性能的提升 | 第57-62页 |
| ·使用购物意愿识别算法对基于扩散的算法性能的提升 | 第62-67页 |
| ·三个用户购物意愿识别算法性能评测 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第五章 总结 | 第70-72页 |
| ·现阶段取得的成就 | 第70页 |
| ·该工作的意义 | 第70-71页 |
| ·有待提升的地方 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻硕期间取得的研究成果 | 第77-78页 |
