| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-12页 |
| 1.1.1 移动互联网广告 | 第9-11页 |
| 1.1.2 移动互联网广告推荐系统研究意义 | 第11-12页 |
| 1.2 移动互联网广告研究内容 | 第12-13页 |
| 1.3 国内外相关工作 | 第13-15页 |
| 1.4 论文的组织结构 | 第15-16页 |
| 第二章 相关基础理论 | 第16-23页 |
| 2.1 协同过滤 | 第16-19页 |
| 2.1.1 协同过滤概念 | 第16页 |
| 2.1.2 协同过滤算法构建 | 第16-19页 |
| 2.2 贝叶斯概率 | 第19-21页 |
| 2.2.1 贝叶斯概率介绍 | 第19-20页 |
| 2.2.2 贝叶斯概率模型在推荐系统中的应用 | 第20-21页 |
| 2.3 情境感知 | 第21-22页 |
| 2.4 信息熵 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 移动环境下基于用户浏览行为的广告推荐方法 | 第23-33页 |
| 3.1 问题描述 | 第23页 |
| 3.2 相关定义 | 第23-25页 |
| 3.3 移动环境下基于用户浏览模型的广告推荐方法 | 第25-28页 |
| 3.3.1 用户相似性模型构建方法 | 第25-27页 |
| 3.3.2 广告推荐算法 | 第27-28页 |
| 3.4 实验结果及分析 | 第28-32页 |
| 3.4.1 实验环境设计 | 第29-30页 |
| 3.4.2 实验结果 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 移动环境下基于贝叶斯概率模型的广告推荐方法 | 第33-44页 |
| 4.1 问题描述 | 第33-34页 |
| 4.2 相关定义 | 第34-36页 |
| 4.3 基于贝叶斯概率模型的广告推荐方法概述 | 第36-39页 |
| 4.3.1 属性剪枝 | 第36-38页 |
| 4.3.2 贝叶斯概率模型构建 | 第38-39页 |
| 4.4 实验与结论 | 第39-43页 |
| 4.4.1 实验环境介绍 | 第39-40页 |
| 4.4.2 实验结果 | 第40-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-45页 |
| 5.1 本文总结 | 第44页 |
| 5.2 未来展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 发表论文和科研情况说明 | 第48-49页 |
| 致谢 | 第49-50页 |