| 中文摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 论文结构 | 第14-15页 |
| 第2章 用户兴趣分析与模型研究 | 第15-27页 |
| 2.1 相关概念 | 第15页 |
| 2.2 用户浏览行为分析 | 第15-17页 |
| 2.3 用户兴趣的表示 | 第17页 |
| 2.4 用户兴趣度度量与计算 | 第17-20页 |
| 2.5 基于情景的层次向量空间兴趣模型 | 第20-22页 |
| 2.6 用户兴趣的更新与存储 | 第22-23页 |
| 2.6.1 用户兴趣的更新 | 第22-23页 |
| 2.6.2 用户兴趣的存储 | 第23页 |
| 2.7 用户兴趣模型性能验证 | 第23-26页 |
| 2.7.1 验证方法与步骤 | 第23-24页 |
| 2.7.2 验证结果分析 | 第24-26页 |
| 2.8 本章小结 | 第26-27页 |
| 第3章 用户兴趣聚类分析与算法改进 | 第27-49页 |
| 3.1 聚类分析概述 | 第27-33页 |
| 3.1.1 传统聚类算法 | 第28-31页 |
| 3.1.2 现代聚类算法 | 第31-33页 |
| 3.2 用户兴趣挖掘模型 | 第33-34页 |
| 3.3 基于特征权重的改进K-means算法 | 第34-40页 |
| 3.3.1 传统K-means算法分析 | 第34-36页 |
| 3.3.2 改进思路 | 第36-37页 |
| 3.3.3 基于密度改进初始聚类中心的选取 | 第37-39页 |
| 3.3.4 算法实施步骤 | 第39-40页 |
| 3.4 模糊C均值算法及其改进 | 第40-42页 |
| 3.4.1 模糊C均值聚类分析 | 第40-41页 |
| 3.4.2 遗传算法的优势 | 第41页 |
| 3.4.3 引入遗传算法对模糊C均值聚类算法的改进 | 第41-42页 |
| 3.5 实验设计及分析 | 第42-47页 |
| 3.5.1 实验准备和思路 | 第42页 |
| 3.5.2 评价指标 | 第42-43页 |
| 3.5.3 实验结果及分析 | 第43-47页 |
| 3.6 本章小结 | 第47-49页 |
| 第4章 用户兴趣分析系统验证 | 第49-57页 |
| 4.1 系统架构 | 第49-51页 |
| 4.1.1 兴趣提取模块 | 第49-50页 |
| 4.1.2 商品推荐模块 | 第50-51页 |
| 4.1.3 外部API模块 | 第51页 |
| 4.2 系统实现 | 第51-54页 |
| 4.3 系统验证 | 第54-56页 |
| 4.3.1 兴趣度量算法验证 | 第54-55页 |
| 4.3.2 兴趣模型算法验证 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文工作总结 | 第57-58页 |
| 5.2 工作展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间发表的论文 | 第64页 |