电子商务环境下顾客购物偏好推荐及企业利润挖掘PDF电子书下载

查看更多关于的内容

第1章 电子商务环境下顾客购物偏好挖掘 1

1.1 电子商务及其发展 1

1.1.1 电子商务的概念 1

1.1.2 电子商务发展历程 2

1.1.3 国内外电子商务发展现状 4

1.1.4 我国电子商务发展面临的问题 9

1.2 电子商务与顾客购物偏好识别 10

1.2.1 顾客购物偏好识别的应用 10

1.2.2 顾客购物偏好识别的数据源 12

1.2.3 电子商务数据挖掘过程 13

1.3 本书主要工作 16

1.3.1 研究意义 16

1.3.2 主要内容 17

1.3.3 基本思路与研究方法 20

1.4 本书的组织结构 22

第2章 电子商务推荐系统 24

2.1 电子商务与推荐系统 24

2.2 电子商务推荐系统的概念 26

2.2.1 电子商务推荐系统及构成 27

2.2.2 电子商务个性化推荐系统的作用 27

2.2.3 电子商务个性化推荐系统的研究内容 28

2.2.4 推荐典型案例 29

2.3 电子商务推荐现阶段问题 32

第3章 电子商务推荐系统研究现状 34

3.1 国内外研究现状 34

3.1.1 基础评价数据的完整性研究现状 34

3.1.2 推荐方法研究现状 35

3.1.3 计算复杂度研究现状 37

3.2 基于内容的推荐 38

3.2.1 基于内容推荐的基本思想 38

3.2.2 基于内容推荐过程 39

3.3 协同过滤推荐 40

3.3.1 协同过滤技术分类 45

3.3.2 基于用户的协同过滤 45

3.3.3 基于项目的协同过滤 49

3.3.4 协同过滤推荐技术的优缺点 50

3.4 混合推荐 51

3.5 基于关联规则的推荐 52

3.6 Web数据挖掘与电子商务推荐 55

3.6.1 隐性数据挖掘 57

3.6.2 隐性评价数据的处理 58

3.7 其他推荐方法 61

3.8 推荐相关技术评析 62

第4章 基于Vague集理论的产品分类树 64

4.1 Vague集相关理论介绍 64

4.1.1 Vague集相关理论的产生背景 64

4.1.2 Vague集理论的基本思想 65

4.1.3 Vague集理论与电子商务推荐 67

4.2 产品特征的提取与表示 68

4.2.1 产品特征的提取 68

4.2.2 项目特征的Vague值表示 69

4.3 相似产品聚类 70

4.3.1 常用聚类算法比较 70

4.3.2 聚类原理与过程 73

4.4 生成产品分类树 75

4.4.1 用户兴趣与种子类 75

4.4.2 产品分类树的生成 76

4.4.3 种子类的预设 79

4.5 项目分类结构图 80

第5章 神经网络聚类与预测补值处理 81

5.1 神经网络的基本原理 81

5.1.1 神经网络的发展历史 81

5.1.2 神经网络的特征 82

5.1.3 神经网络基本内容 84

5.1.4 发展趋势与应用 85

5.2 SOM与RBF的聚类与预测 86

5.3 SOM神经网络的相似用户聚类 87

5.4 利用SOM对评价矩阵进行预聚类 94

5.4.1 SOM聚类过程 94

5.4.2 MATLAB实现 96

5.5 RBF神经网络预测补值 102

5.5.1 RBF神经网络 102

5.5.2 网络的训练与设计 104

5.6 RBF神经网络预测补值处理 105

5.6.1 RBF神经网络预测补值过程 105

5.6.2 MATLAB实验及分析 107

第6章 协同过滤聚类及推荐的实施 111

6.1 相似用户的聚类 111

6.2 推荐的实施 114

6.2.1 本书推荐实施的流程 114

6.2.2 鉴定最积极与最消极邻居 115

6.2.3 关联规则挖掘 116

6.2.4 推荐结果集的生成 121

第7章 推荐质量实验分析及评价 123

7.1 实验度量指标 123

7.1.1 召回率与精度 123

7.1.2 F-相关检测、MAE-平均绝对误差 124

7.1.3 实验方案 124

7.2 实验过程 125

7.2.1 实验基本内容 125

7.2.2 MAE-平均绝对误差分析 130

7.2.3 计算复杂度分析 131

第8章 基于信任关系改进的协同过滤推荐 134

8.1 基于信任关系的协同过滤推荐框架 135

8.2 推荐步骤 136

8.2.1 确定目标用户信任用户集合 137

8.2.2 信任用户的评分处理 137

8.2.3 进行评分估算 139

8.3 算例测试 140

8.4 评价 144

8.4.1 实验设置 144

8.4.2 评估指标 144

8.4.3 结果与分析 145

8.5 方法优势 145

8.6 帕累托主导 146

第9章 多样性选择改进协同过滤推荐算法 158

9.1 推荐框架 159

9.2 模糊协同过滤 160

9.3 多样性选择算法 161

9.4 模糊的基于内容的过滤（模糊CBF） 162

9.5 混合方法（模糊CF-CBF） 163

9.6 实验评价 163

9.6.1 实验设计 163

9.6.2 实验结果 164

9.7 结论 164

第10章 推荐结果与企业利润关联分析 166

10.1 问题定义 166

10.2 面向企业利润的多目标产品组合 168

10.3 实验测试 170

10.3.1 数据预处理 170

10.3.2 实验分析 171

第11章 结论与展望 174

11.1 本书主要内容 174

11.2 本书的创新点 175

11.3 展望 176

参考文献 179

后记 190

查看更多关于的内容