用户行为分析与个性化电商推荐系统的融合.doc

用户行为分析与个性化电商推荐系统的融合

TOC\o1-2\h\u27476第1章引言 4

133041.1用户行为分析与电商推荐系统背景 4

268991.2个性化推荐系统的研究意义与挑战 4

101441.3本书内容组织与结构安排 5

29070第2章用户行为分析基础理论 5

259712.1用户行为数据的采集与预处理 5

116252.1.1数据采集方法 6

247122.1.2数据类型 6

11102.1.3数据预处理 6

17552.2用户行为分析的主要方法与模型 6

13252.2.1描述性分析 6

188252.2.2关联规则分析 7

29912.2.3聚类分析 7

286672.2.4时间序列分析 7

311172.3用户行为分析的关键技术 7

218622.3.1特征工程 7

175062.3.2模型评估 7

274622.3.3模型优化 7

26819第3章个性化电商推荐系统概述 8

288663.1个性化推荐系统的基本概念 8

47573.2个性化推荐系统的类型与架构 8

36083.2.1类型 8

33993.2.2架构 8

154933.3个性化推荐算法及其发展趋势 9

252473.3.1个性化推荐算法 9

261753.3.2发展趋势 9

1346第4章用户行为分析与个性化电商推荐系统融合框架 9

183054.1融合用户行为分析的推荐系统架构 9

30994.1.1用户行为数据采集模块 9

83784.1.2数据预处理模块 10

282304.1.3用户行为分析模块 10

29024.1.4推荐算法模块 10

274514.1.5推荐结果评估模块 10

35204.2用户行为数据在推荐系统中的应用 10

269414.2.1用户行为数据的类型及特点 10

124344.2.2用户行为数据在推荐系统中的作用 10

93124.2.3用户行为数据的应用场景 10

97334.3融合用户行为分析的推荐算法设计 10

68164.3.1基于用户行为分析的协同过滤算法 10

240934.3.2基于用户行为分析的矩阵分解算法 10

178954.3.3基于用户行为分析的多任务学习算法 10

300084.3.4融合用户行为分析的深度学习推荐算法 11

31466第5章基于用户行为的协同过滤推荐 11

61015.1用户行为数据在协同过滤推荐中的应用 11

154295.1.1用户行为数据的类型与处理 11

35365.1.2用户行为数据在协同过滤推荐中的作用 11

28915.1.3用户行为数据在推荐系统中的挑战与解决方案 11

287895.2基于用户行为的近邻选择方法 11

195425.2.1用户相似度度量方法 11

271445.2.1.1余弦相似度 11

170565.2.1.2皮尔逊相关系数 11

47955.2.1.3修正的余弦相似度 11

20345.2.2近邻选择策略 11

241045.2.2.1最邻近策略 11

180835.2.2.2基于权重的近邻选择 11

260585.2.2.3基于阈值的近邻选择 11

75.2.3用户行为数据在近邻选择中的应用实例 11

177595.3基于用户行为的协同过滤推荐算法优化 11

206855.3.1冷启动问题优化 11

156975.3.1.1基于内容的推荐方法融合 11

101905.3.1.2利用社会化信息解决冷启动问题 11

7445.3.2稀疏性问题的优化 11

250535.3.2.1基于聚类的协同过滤 11

297985.3.2.2填充缺失的用户行为数据 11

281585.3.3推荐系统的多样性优化 12

284885.3.3.1非频繁项目的提升 12

235895.3.3.2多样性度量方法 12

211385.3.4用户行为的时间动态性优化 12

191255.3.4.1时间衰减因子 12

227165.3.4.2用户行为趋势分析 12

28995第6章深度学习在用户行为分析与推荐系统中的应用 12

117816.1深度学习技术概述 12

148936