| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-16页 |
| 1.2.1 P2P网贷产品研究 | 第12页 |
| 1.2.2 推荐算法研究 | 第12-15页 |
| 1.2.3 互联网金融产品推荐 | 第15-16页 |
| 1.3 研究内容及创新点 | 第16-18页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 创新点 | 第17-18页 |
| 1.4 论文结构 | 第18-19页 |
| 第二章 理论基础 | 第19-33页 |
| 2.1 P2P网贷基础知识 | 第19-21页 |
| 2.1.1 P2P网贷行业优势 | 第19-20页 |
| 2.1.2 P2P网贷标的分类 | 第20-21页 |
| 2.1.3 投资者的影响因素 | 第21页 |
| 2.2 推荐算法介绍 | 第21-29页 |
| 2.2.1 协同过滤推荐算法 | 第22-26页 |
| 2.2.1.1 基于用户的协同过滤推荐算法 | 第22-23页 |
| 2.2.1.2 基于项目的协同过滤推荐算法 | 第23-24页 |
| 2.2.1.3 基于模型的协同过滤推荐 | 第24-25页 |
| 2.2.1.4 协同过滤算法的优缺点 | 第25-26页 |
| 2.2.2 基于内容的推荐算法 | 第26-27页 |
| 2.2.2.1 基本模型 | 第26-27页 |
| 2.2.2.2 基于内容推荐的优缺点 | 第27页 |
| 2.2.3 基于二部图的推荐算法 | 第27-28页 |
| 2.2.4 混合推荐算法 | 第28-29页 |
| 2.3 模式挖掘 | 第29页 |
| 2.4 评测指标 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于内容的产品聚类分析 | 第33-42页 |
| 3.1 数据说明 | 第34-36页 |
| 3.2 K-均值聚类 | 第36页 |
| 3.3 改进的K-均值聚类算法 | 第36-39页 |
| 3.3.1 k-均值聚类算法的缺点 | 第36-37页 |
| 3.3.2 粒子群优化算法（PSO） | 第37-38页 |
| 3.3.3 AUTO-K算法 | 第38页 |
| 3.3.4 改进的K-均值算法 | 第38-39页 |
| 3.4 结果分析 | 第39-41页 |
| 3.4.1 冷启动推荐方案—传统kmeans聚类 | 第39-40页 |
| 3.4.2 现有用户解决方案—改进kmeans聚类 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于改进二部图模型的推荐研究 | 第42-50页 |
| 4.1 数据说明 | 第42-43页 |
| 4.2 二部图模型 | 第43页 |
| 4.3 改进的二部图模型 | 第43-48页 |
| 4.3.1 简单权值改进的NBI (WNBI) | 第43-45页 |
| 4.3.2 用户兴趣漂移模型 | 第45-47页 |
| 4.3.2.1 用户兴趣研究介绍 | 第45-46页 |
| 4.3.2.2 构建用户兴趣漂移模型 | 第46-47页 |
| 4.3.3 基于用户兴趣的NBI (SNBI) | 第47-48页 |
| 4.4 模型结果 | 第48-49页 |
| 4.4.1 模型检测方法 | 第48页 |
| 4.4.2 实验结果 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 算法比较与模型混合 | 第50-57页 |
| 5.1 模型比较——准确度 | 第50-52页 |
| 5.2 模型比较——多样性 | 第52-53页 |
| 5.3 加权线性混合方案 | 第53-54页 |
| 5.4 常见问题解决方案 | 第54-56页 |
| 5.4.1 数据稀疏问题 | 第54页 |
| 5.4.2 冷启动问题 | 第54-55页 |
| 5.4.3 产品长尾问题 | 第55-56页 |
| 5.4.3.1 解决方案说明 | 第55页 |
| 5.4.3.2 方案效果验证 | 第55-56页 |
| 5.5 切换式混合方案 | 第56页 |
| 5.6 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 附录 | 第64-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附件 | 第69页 |