| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 研究目标和研究内容 | 第15页 |
| 1.4 论文的结构安排 | 第15-17页 |
| 第2章 电商推荐系统及其应用算法 | 第17-36页 |
| 2.1 个性化推荐系统概述 | 第17-18页 |
| 2.1.1 推荐系统的基本构成 | 第17-18页 |
| 2.1.2 推荐系统分类 | 第18页 |
| 2.2 基于内容的推荐技术 | 第18-20页 |
| 2.2.1 基于内容的推荐算法 | 第18-19页 |
| 2.2.2 基于内容的推荐算法的优缺点 | 第19-20页 |
| 2.3 协同过滤推荐技术 | 第20-27页 |
| 2.3.1 协同过滤技术简介 | 第20页 |
| 2.3.2 协同过滤研究现状 | 第20-21页 |
| 2.3.3 基于内存的协同过滤推荐 | 第21-25页 |
| 2.3.4 基于模型的协同过滤推荐 | 第25页 |
| 2.3.5 基于K-Means的协同过滤推荐 | 第25-27页 |
| 2.4 基于规则的推荐技术 | 第27-35页 |
| 2.4.1 关联规则算法 | 第27-28页 |
| 2.4.2 关联规则的定义 | 第28-29页 |
| 2.4.3 基于规则的推荐 | 第29-30页 |
| 2.4.4 基于FP-GROWTH规则推荐 | 第30-34页 |
| 2.4.5 基于规则推荐优缺点分析 | 第34-35页 |
| 2.5 评估策略 | 第35页 |
| 2.6 本章小结 | 第35-36页 |
| 第3章 两种推荐算法的改进 | 第36-42页 |
| 3.1 基于评分规则的FP-GROWTH推荐算法 | 第36-38页 |
| 3.1.1 改进方案 | 第36页 |
| 3.1.2 算法具体过程 | 第36-38页 |
| 3.2 基于降维Krusal质心选择的K-Means协同过滤推荐算法 | 第38-41页 |
| 3.2.1 改进方案 | 第38-39页 |
| 3.2.2 算法具体过程 | 第39-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 实验结果及分析 | 第42-50页 |
| 4.1 数据集准备 | 第42-43页 |
| 4.2 基于评分规则的FP-GROWTH推荐算法实验 | 第43-45页 |
| 4.2.1 实验结果及分析 | 第43-44页 |
| 4.2.2 算法对比 | 第44-45页 |
| 4.3 基于降维Krusal质心选择的K-Means协同过滤推荐算法实验 | 第45-49页 |
| 4.3.1 实验结果及分析 | 第45-46页 |
| 4.3.2 算法对比 | 第46-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 移动购物导购系统分析与设计 | 第50-61页 |
| 5.1 系统实现目标 | 第50页 |
| 5.2 系统需求分析 | 第50-52页 |
| 5.2.1 用例分析 | 第50-51页 |
| 5.2.2 系统框架图 | 第51-52页 |
| 5.3 系统详细设计 | 第52-57页 |
| 5.3.1 系统架构设计 | 第52-53页 |
| 5.3.2 APP端设计 | 第53-54页 |
| 5.3.3 服务器端设计 | 第54-57页 |
| 5.4 系统运行截图 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
