| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究状况 | 第10-12页 |
| 1.2.1 国内外研究现状 | 第10页 |
| 1.2.2 电子商务推荐系统研究面临的挑战 | 第10-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文章节安排 | 第12-14页 |
| 第二章 数据挖掘与WEB数据挖掘 | 第14-32页 |
| 2.1 数据挖掘概述 | 第14页 |
| 2.2 数据挖掘的十大经典算法 | 第14-16页 |
| 2.3 WEB数据挖掘 | 第16-18页 |
| 2.3.1 Web数据挖掘概述 | 第16-17页 |
| 2.3.2 Web数据挖掘的分类 | 第17页 |
| 2.3.3 Web数据挖掘的应用 | 第17-18页 |
| 2.4 电子商务 | 第18-25页 |
| 2.4.1 电子商务的发展现状 | 第18页 |
| 2.4.2 电子商务中的Web数据挖掘技术 | 第18-25页 |
| 2.5 个性化推荐系统 | 第25-31页 |
| 2.5.1 概述 | 第25页 |
| 2.5.2 推荐系统的作用 | 第25-26页 |
| 2.5.3 推荐系统类型 | 第26-29页 |
| 2.5.4 推荐系统的推荐算法 | 第29-30页 |
| 2.5.5 推荐系统的输入输出 | 第30页 |
| 2.5.6 电子商务推荐系统的研究现状 | 第30-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第三章 基于数据挖掘的电子商务商品个性化推荐算法 | 第32-40页 |
| 3.1 基于协同过滤技术的推荐系统 | 第32-34页 |
| 3.1.1 协同过滤技术 | 第32页 |
| 3.1.2 基于用户的协同过滤推荐算法 | 第32-33页 |
| 3.1.3 协同过滤算法推荐系统的体系结构 | 第33-34页 |
| 3.2 基于内容的推荐系统 | 第34-37页 |
| 3.2.1 基于内容的推荐系统的算法—蚁群聚类算法 | 第34-36页 |
| 3.2.2 蚁群聚类算法的学习步骤 | 第36页 |
| 3.2.3 基于蚁群聚类算法的推荐系统的体系结构 | 第36-37页 |
| 3.4 基于用户行为的推荐系统 | 第37-39页 |
| 3.4.1 基于用户行为的推荐模型 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于数据挖掘的电子商务商品个性化推荐系统设计实现 | 第40-64页 |
| 4.1 个性化推荐系统需求分析 | 第40-41页 |
| 4.1.1 顾客需求 | 第40页 |
| 4.1.2 功能需求 | 第40-41页 |
| 4.2 系统总体框架设计 | 第41-42页 |
| 4.3 推荐模块设计与实现 | 第42-50页 |
| 4.3.1 基于内容的推荐模块 | 第42-45页 |
| 4.3.2 协同过滤的推荐模块 | 第45-46页 |
| 4.3.3 基于用户行为的推荐模块 | 第46-50页 |
| 4.4 其他模块的设计与实现 | 第50-62页 |
| 4.4.1 用户信息管理模块设计与实现 | 第50-53页 |
| 4.4.2 用户浏览查询模块设计与实现 | 第53-54页 |
| 4.4.3 用户反馈模块设计与实现 | 第54-56页 |
| 4.4.4 产品信息管理模块设计与实现 | 第56-59页 |
| 4.4.5 推荐结果融合模块设计与实现 | 第59-62页 |
| 4.5 个性化推荐系统应用 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 系统推荐效果与评估 | 第64-67页 |
| 5.1 实验结果与分析 | 第64-65页 |
| 5.2 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-71页 |