薛福亮著的《电子商务环境下顾客购物偏好推荐及企业利润挖掘》阐述了电子商务环境下顾客购物偏好识别方法，系统介绍了推荐系统的概念，以及国内外推荐系统的研究现状，对目前主流的电子商务推荐系统特别是协同过滤推荐作了详细的介绍，对不同推荐算法进行了比较。
本书可作为电子商务、信息系统管理、计算机应用和相关专业高年级本科生、研究生及教师的教学参考书，也可作为相关人员从事数据挖掘及电子商务推荐系统研究设计和开发的参考资料。

第1章 电子商务环境下顾客购物偏好挖掘
1.1 电子商务及其发展
1.1.1 电子商务的概念
1.1.2 电子商务发展历程
1.1.3 国内外电子商务发展现状
1.1.4 我国电子商务发展面临的问题
1.2 电子商务与顾客购物偏好识别
1.2.1 顾客购物偏好识别的应用
1.2.2 顾客购物偏好识别的数据源
1.2.3 电子商务数据挖掘过程
1.3 本书主要工作
1.3.1 研究意义
1.3.2 主要内容
1.3.3 基本思路与研究方法
1.4 本书的组织结构
第2章 电子商务推荐系统
2.1 电子商务与推荐系统
2.2 电子商务推荐系统的概念
2.2.1 电子商务推荐系统及构成
2.2.2 电子商务个性化推荐系统的作用
2.2.3 电子商务个性化推荐系统的研究内容
2.2.4 推荐典型案例
2.3 电子商务推荐现阶段问题
第3章 电子商务推荐系统研究现状
3.1 国内外研究现状
3.1.1 基础评价数据的完整性研究现状
3.1.2 推荐方法研究现状
3.1.3 计算复杂度研究现状
3.2 基于内容的推荐
3.2.1 基于内容推荐的基本思想
3.2.2 基于内容推荐过程
3.3 协同过滤推荐
3.3.1 协同过滤技术分类
3.3.2 基于用户的协同过滤
3.3.3 基于项目的协同过滤
3.3.4 协同过滤推荐技术的优缺点
3.4 混合推荐
3.5 基于关联规则的推荐
3.6 Web数据挖掘与电子商务推荐
3.6.1 隐性数据挖掘
3.6.2 隐性评价数据的处理
3.7 其他推荐方法
3.8 推荐相关技术评析
第4章 基于Vague集理论的产品分类树
4.1 Vague集相关理论介绍
4.1.1 Vague集相关理论的产生背景
4.1.2 Vague集理论的基本思想
4.1.3 Vague集理论与电子商务推荐
4.2 产品特征的提取与表示
4.2.1 产品特征的提取
4.2.2 项目特征的Vague值表示
4.3 相似产品聚类
4.3.1 常用聚类算法比较
4.3.2 聚类原理与过程
4.4 生成产品分类树
4.4.1 用户兴趣与种子类
4.4.2 产品分类树的生成
4.4.3 种子类的预设
4.5 项目分类结构图
第5章 神经网络聚类与预测补值处理
5.1 神经网络的基本原理
5.1.1 神经网络的发展历史
5.1.2 神经网络的特征
5.1.3 神经网络基本内容
5.1.4 发展趋势与应用
5.2 SOM与RBF的聚类与预测
5.3 SOM神经网络的相似用户聚类
5.4 利用SOM对评价矩阵进行预聚类
5.4.1 SOM聚类过程
5.4.2 MATLAB实现
5.5 RBF神经网络预测补值
5.5.1 RBF神经网络
5.5.2 网络的训练与设计
5.6 RBF神经网络预测补值处理
5.6.1 RBF神经网络预测补值过程
5.6.2 MATLAB实验及分析
第6章 协同过滤聚类及推荐的实施
6.1 相似用户的聚类
6.2 推荐的实施
6.2.1 本书推荐实施的流程
6.2.2 鉴定最积极与最消极邻居
6.2.3 关联规则挖掘
6.2.4 推荐结果集的生成
第7章 推荐质量实验分析及评价
7.1 实验度量指标
7.1.1 召回率与精度
7.1.2 F相关检测、MAE平均绝对误差
7.1.3 实验方案
7.2 实验过程
7.2.1 实验基本内容
7.2.2 MAE平均绝对误差分析
7.2.3 计算复杂度分析
第8章 基于信任关系改进的协同过滤推荐
8.1 基于信任关系的协同过滤推荐框架
8.2 推荐步骤
8.2.1 确定目标用户信任用户集合
8.2.2 信任用户的评分处理
8.2.3 进行评分估算
8.3 算例测试
8.4 评价
8.4.1 实验设置
8.4.2 评估指标
8.4.3 结果与分析
8.5 方法优势
8.6 帕累托主导
第9章 多样性选择改进协同过滤推荐算法
9.1 推荐框架
9.2 模糊协同过滤
9.3 多样性选择算法
9.4 模糊的基于内容的过滤(模糊CBF)
9.5 混合方法(模糊CFCBF)
9.6 实验评价
9.6.1 实验设计
9.6.2 实验结果
9.7 结论
第10章 推荐结果与企业利润关联分析
10.1 问题定义
10.2 面向企业利润的多目标产品组合
10.3 实验测试
10.3.1 数据预处理
10.3.2 实验分析
第11章 结论与展望
11.1 本书主要内容
11.2 本书的创新点
11.3 展望
参考文献
后记