| 摘要 | 第1-7页 |
| ABSTRACT | 第7-9页 |
| 1 绪论 | 第9-14页 |
| ·论文研究背景和意义 | 第9-11页 |
| ·研究背景 | 第9-10页 |
| ·研究意义 | 第10-11页 |
| ·论文研究内容和独创性 | 第11-12页 |
| ·论文研究内容 | 第11-12页 |
| ·论文的创新点 | 第12页 |
| ·论文组织 | 第12-14页 |
| 2 电子商务推荐系统及其相关技术 | 第14-25页 |
| ·电子商务推荐系统概述 | 第14-16页 |
| ·推荐系统的作用 | 第14-15页 |
| ·推荐系统的分类 | 第15-16页 |
| ·推荐系统的推荐方式 | 第16页 |
| ·电子商务推荐系统采用的技术 | 第16-21页 |
| ·基于内容的推荐技术 | 第17页 |
| ·基于数据挖掘的推荐技术 | 第17-19页 |
| ·协同过滤技术 | 第19-20页 |
| ·其他的推荐技术 | 第20-21页 |
| ·电子商务推荐系统的研究 | 第21-24页 |
| ·推荐系统的研究内容 | 第21-22页 |
| ·推荐系统面临的挑战 | 第22页 |
| ·国内外研究现状 | 第22-24页 |
| ·本章小结 | 第24-25页 |
| 3 基于 WEB 日志挖掘的用户聚类 | 第25-38页 |
| ·WEB 数据挖掘 | 第25-26页 |
| ·WEB 日志简介 | 第26-27页 |
| ·日志预处理过程 | 第27-33页 |
| ·数据预处理(Data Prcproccssing) | 第27-31页 |
| ·数据转化 | 第31-32页 |
| ·数据归约 | 第32-33页 |
| ·WEB 日志聚类 | 第33-37页 |
| ·聚类技术概述 | 第33-34页 |
| ·基于web 日志聚类分析 | 第34页 |
| ·用户聚类 | 第34-37页 |
| ·本章小结 | 第37-38页 |
| 4 基于用户潜在偏好的协同过滤 | 第38-50页 |
| ·协同过滤推荐算法分类 | 第38-39页 |
| ·协同过滤推荐算法 | 第39-43页 |
| ·基于用户(User-Based)的协同过滤推荐算法 | 第39-41页 |
| ·基于项目(Item-Based)的协同过滤推荐算法 | 第41-42页 |
| ·基于聚类(Clustering-based)的协同过滤推荐算法 | 第42-43页 |
| ·基于关联规则(Association rules)的协同过滤推荐算法 | 第43页 |
| ·新的协同过滤模型 | 第43-46页 |
| ·用户潜在偏好 | 第44-45页 |
| ·相似度计算 | 第45-46页 |
| ·推荐产生 | 第46页 |
| ·实验及其结果分析 | 第46-49页 |
| ·数据集选取 | 第46-47页 |
| ·实验环境 | 第47页 |
| ·度量标准 | 第47页 |
| ·实验结果 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 5 结合用户日志聚类和协同过滤的个性化推荐技术 | 第50-60页 |
| ·协同过滤技术存在的问题 | 第50-51页 |
| ·结合用户日志聚类和协同过滤的推荐技术 | 第51-53页 |
| ·推荐技术的提出 | 第51页 |
| ·推荐技术的框架 | 第51-53页 |
| ·推荐技术的功能模块 | 第53-54页 |
| ·数据预处理模块 | 第53页 |
| ·用户日志聚类模块 | 第53页 |
| ·用户潜在偏好计算模块 | 第53-54页 |
| ·最近邻形成模块 | 第54页 |
| ·预测推荐模块 | 第54页 |
| ·实验设计 | 第54-55页 |
| ·数据集 | 第54-55页 |
| ·实验环境 | 第55页 |
| ·度量标准 | 第55页 |
| ·实验结果及分析 | 第55-58页 |
| ·本章小结 | 第58-60页 |
| 6 总结与展望 | 第60-62页 |
| ·本文工作总结 | 第60页 |
| ·未来工作展望 | 第60-62页 |
| 参考文献 | 第62-70页 |
| 攻读硕士学位期间发表的学术论文目录 | 第70-71页 |
| 致谢 | 第71页 |
