| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究的目的及意义 | 第12-13页 |
| 1.3 推荐系统 | 第13-17页 |
| 1.3.1 推荐系统的基本介绍 | 第13-14页 |
| 1.3.2 常用的推荐系统模型 | 第14-15页 |
| 1.3.3 基于推荐系统的机器学习算法 | 第15-17页 |
| 1.4 机器学习的一般步骤 | 第17-18页 |
| 1.5 文章的组织结构安排 | 第18-20页 |
| 第二章 一种基于时间序列的数据预处理技术 | 第20-31页 |
| 2.1 数据预处理的概念 | 第20页 |
| 2.2 数据处理 | 第20-23页 |
| 2.2.1 数据集描述 | 第20-21页 |
| 2.2.2 数据清洗 | 第21-22页 |
| 2.2.3 数据变换 | 第22-23页 |
| 2.3 基于规则的时间序列分片 | 第23-30页 |
| 2.3.1 时间序列分析概述 | 第23页 |
| 2.3.2 数据探索 | 第23-27页 |
| 2.3.3 时间序列的分片策略 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于特征工程的时间序列样本构造 | 第31-41页 |
| 3.1 特征工程介绍 | 第31页 |
| 3.2 特征转换与融合 | 第31-34页 |
| 3.2.1 构建多维度的特征群 | 第31-32页 |
| 3.2.2 衍生特征的设计与实现 | 第32-34页 |
| 3.3 特征选择 | 第34-38页 |
| 3.3.1 特征选择的意义 | 第34-35页 |
| 3.3.2 基于XGBoost算法的特征选择 | 第35-38页 |
| 3.4 一种基于稳定性选择法和Pearson相关系数的特征选择算法 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 XGBoost混合模型的设计与实现 | 第41-57页 |
| 4.1 XGBoost算法介绍 | 第41-44页 |
| 4.2 平衡正负样本 | 第44-48页 |
| 4.2.1 交叉验证的概念 | 第44-45页 |
| 4.2.2 使用“均匀下采样”法平衡样本 | 第45-48页 |
| 4.3 基于XGBoost的参数调整 | 第48-53页 |
| 4.3.1 参数调整的意义 | 第48-50页 |
| 4.3.2 XGBoost的常用参数 | 第50页 |
| 4.3.3 使用网格搜索进行参数调整 | 第50-53页 |
| 4.4 一种基于Bagging策略的XGBoost混合模型 | 第53-55页 |
| 4.4.1 Bagging集成学习思想的概念 | 第53-54页 |
| 4.4.2 混合模型的设计思路 | 第54-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第五章 实验结果与分析 | 第57-64页 |
| 5.1 评判标准 | 第57-58页 |
| 5.2 实验环境及数据参数 | 第58-59页 |
| 5.2.1 实验环境 | 第58页 |
| 5.2.2 实验数据 | 第58页 |
| 5.2.3 XGBoost实验参数 | 第58-59页 |
| 5.3 实验结果 | 第59-62页 |
| 5.4 结论 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64页 |
| 6.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表的论文 | 第69-70页 |
| 致谢 | 第70页 |