数据挖掘在电子商务推荐系统中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 推荐系统的研究内容 | 第11-12页 |
| 1.2.2 推荐系统的应用实例 | 第12-13页 |
| 1.2.3 长尾理论 | 第13页 |
| 1.2.4 马太效应 | 第13-14页 |
| 1.3 基本结构 | 第14-15页 |
| 1.4 研究思路和方法 | 第15-16页 |
| 第二章 推荐系统相关理论综述 | 第16-24页 |
| 2.1 数据挖掘 | 第16-20页 |
| 2.1.1 数据挖掘过程 | 第16-17页 |
| 2.1.2 关联规则 | 第17页 |
| 2.1.3 距离度量 | 第17-18页 |
| 2.1.4 相似度量 | 第18-20页 |
| 2.2 长尾理论 | 第20-21页 |
| 2.3 基尼系数 | 第21-24页 |
| 第三章 推荐系统算法分析 | 第24-40页 |
| 3.1 关联规则 | 第24-29页 |
| 3.1.1 算法构造 | 第26-27页 |
| 3.1.2 影响因素 | 第27-29页 |
| 3.2 基于邻域的算法 | 第29-37页 |
| 3.2.1 基于用户的协同过滤算法 | 第29-30页 |
| 3.2.2 用户相似度的算法构造 | 第30-32页 |
| 3.2.3 用户相似度的算法改造 | 第32-33页 |
| 3.2.4 基于物品的协同过滤算法 | 第33-34页 |
| 3.2.5 物品相似度的算法构造 | 第34-36页 |
| 3.2.6 物品相似度的算法改造 | 第36-37页 |
| 3.3 算法比较与选择 | 第37-40页 |
| 第四章 推荐系统实现与应用 | 第40-50页 |
| 4.1. 数据采集 | 第40-44页 |
| 4.1.1 Google分析 | 第40-41页 |
| 4.1.2 GA数据流扩展 | 第41页 |
| 4.1.3 用户识别 | 第41-42页 |
| 4.1.4 用户行为日志文件 | 第42-43页 |
| 4.1.5 用户行为数据库 | 第43-44页 |
| 4.2 系统结构 | 第44页 |
| 4.3 应用实现 | 第44-47页 |
| 4.4 算法评估 | 第47-50页 |
| 第五章 推荐系统效果评估 | 第50-64页 |
| 5.1 试验方法 | 第50-52页 |
| 5.1.1 离线试验 | 第50-51页 |
| 5.1.2 问卷调查 | 第51页 |
| 5.1.3 在线试验 | 第51-52页 |
| 5.2 KPI评测 | 第52-62页 |
| 5.2.1 满意度 | 第52-53页 |
| 5.2.2 准确度 | 第53-55页 |
| 5.2.3 覆盖率 | 第55-56页 |
| 5.2.4 流行度 | 第56页 |
| 5.2.5 基尼系数 | 第56-57页 |
| 5.2.6 转化率 | 第57-58页 |
| 5.2.7 多样性 | 第58-59页 |
| 5.2.8 新颖性 | 第59-60页 |
| 5.2.9 信任度 | 第60-61页 |
| 5.2.10 实时性 | 第61页 |
| 5.2.11 安全性 | 第61-62页 |
| 5.3 干扰因素分析 | 第62页 |
| 5.4 推荐系统综合评估 | 第62-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-68页 |
