声明
摘要
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 移动推荐系统研究历史和现状
1.4 现有研究中存在的问题
1.5 研究内容与论文结构
1.5.1 主要研究内容
1.5.2 论文组织结构
2 020移动电子商务及相关推荐算法理论
2.1 020移动电子商务系统的研究
2.1.1 020移动电子商务发展概况
2.1.2 020与B2C模式的差异性
2.2 位置信息在020电子商务中的应用
2.3 个性化推荐的相关理论
2.4 常见的几种主要推荐方法
2.4.1 基于内容推荐
2.4.2 基于协同过滤推荐
2.4.3 基于关联规则推荐
2.4.4 基于知识推荐
2.4.5 基于混合推荐
2.4.6 主要推荐方法的对比
2.5 移动推荐与传统互联网推荐的异同点
2.6 常见的基于上下文感知的移动推荐方法
2.7 适用推荐预测的机器学习算法
3 梯度提升回归算法的020电子商务推荐模型
3.1 020个性化推荐模型
3.2 梯度提升回归算法(Gradient Boost Decision Trees)
3.2.1 决策树相关基础知识
3.2.2 梯度迭代(Gradient Boosting)
3.3 基于用户位置特征改进的梯度提升回归算法NewGBDT
3.3.1 移动用户基于位置与时间的偏好特征分析
3.3.2 基于位置和时间的移动推荐系统介绍
3.3.3 GBDT算法改进
4 数据预处理与特征设计
4.1 数据集说明
4.2 数据预处理
4.3 特征设计与提取
5 实验结果与分析
5.1 实验环境与平台搭建
5.2 评测方案选定
5.3 实验过程与结果分析
5.4 小结
6 总结与展望
6.1 论文的主要工作及成果
6.2 论文的不足之处及下一步研究方向
参考文献
致谢
作者简介及读研期间主要科研成果