电子商务推荐系统与智能谈判技术

前言

第1章 绪论

1.1 电子商务系统概述

1.1.1 电子商务的概念

1.1.2 电子商务系统的特征

1.1.3 电子商务的模式

1.1.4 电子商务的基础技术

1.1.5 电子商务存在的问题

1.2 智能Agent与电子商务

1.2.1 Agent的概念

1.2.2 多Agent系统

1.2.3 基于Agent在电子商务中的优越性

1.3 消费者行为模型

1.4 智能电子商务系统

1.4.1 购物行为的决策支持

1.4.2 对智能的探讨

1.5 电子商务推荐系统

1.5.1 推荐系统简介

1.5.2 推荐系统与个性化服务

1.5.3 推荐系统的研究内容

1.5.4 推荐系统的分类

1.5.5 推荐系统实例简介

1.6 智能谈判系统

1.6.1 智能谈判系统发展过程

1.6.2 智能谈判系统的主要研究内容

1.6.3 智能谈判系统实例简介

本章小结

第2章 电子商务推荐系统相关技术

2.1 信息检索和信息过滤

2.1.1 信息检索

2.1.2 信息过滤

2.2 数据挖掘技术

2.2.1 数据挖掘过程和功能

2.2.2 数据挖掘知识分类和数据挖掘方法

2.2.3 数据挖掘与推荐系统

2.3 电子商务推荐算法

2.3.1 电子商务推荐算法概述

2.3.2 基于关联规则的推荐算法

2.3.3 基于内容的推荐算法

2.3.4 协同过滤推荐算法

2.3.5 其他推荐算法简介

2.3.6 电子商务推荐算法面临的挑战

第3章 Web挖掘技术的智能商务推荐

3.1 引言

3.2 Web挖掘相关的技术背景

3.2.1 Web使用挖掘

3.2.2 关联规则挖掘和商品分类

3.2.3 朴素Bayesian分类

3.3 推荐过程

3.3.1 目标顾客选择

3.3.2 顾客偏好分析

3.3.3 商品关联分析

3.3.4 产生推荐结果

3.4 推荐系统的实现模型

本章小结

第4章 专家知识决策和协同过滤的推荐系统

4.1 引言

4.2 Agent技术

4.2.1 智能Agent概述

4.2.2 Agent的抽象结构

4.3 智能推荐系统的分析

4.3.1 问题的提出

4.3.2 解决方案

4.4 基于多Agent的推荐系统

4.4.1 系统结构

4.4.2 界面Agent

4.4.3 采购Agent

4.4.4 专家Agent

4.4.5 评价Agent

4.4.6 协同Agent

4.5 商品本体

4.6 系统集成及Web应用

4.6.1 Agent集成

4.6.2 Web应用设计

4.7 基于Agent的推荐系统评价

本章小结

第5章 DAKNNS的电子商务协同过滤推荐算法

5.1 提出问题

5.2 K最近邻搜索（KNNs）算法简介

5.3 DAKNNs算法

5.3.1 算法思路

5.3.2 r的确定

5.3.3 算法

5.3.4 分析

5.4 基于DAKNNs的协同过滤推荐

5.4.1 评分矩阵的转换

5.4.2 评分矩阵的组织

5.4.3 k最近邻搜索

5.4.4 产生

推荐本章小结

第6章 多Agent的电子商务推荐系统的设计与实现

6.1 简介

6.2 MABRS功能结构图

6.3 MABRS原型系统的体系结构

6.4 MABRS的设计与实现

6.4.1 开发工具简介

6.4.2 数据库设计

6.4.3 MABRS系统部分模块设计介绍

本章小结

第7章 智能谈判的基本原理

7.1 商务谈判概述

7.1.1 商务谈判的概念

7.1.2 商务谈判的模型与谈判过程

7.1.3 商务谈判的规律

7.1.4 对策论与商务谈判

7.2 谈判方式的新构想—智能谈判

7.2.1 基于代理（Agent）的智能谈判

7.2.2 谈判Agent的结构设计

7.3 谈判支持系统

7.3.1 谈判支持系统概述

7.3.2 基于Web的谈判支持系统

7.4 机器学习和谈判策略

7.4.1 机器学习方法概述

7.4.2 基于机器学习方法的谈判策略

7.4.3 案例推理与谈判策略

7.4.4 决策树归纳学习与谈判策略

7.5 智能谈判模型

7.5.1 人工谈判过程

7.5.2 智能谈判过程

7.5.3 智能谈判模型

7.6 智能谈判协议

本章小结

第8章 Bayesian学习方法的智能谈判策略

8.1 引言

8.2 Agent的智能学习及谈判策略设计

8.2.1 Agent的智能学习

8.2.2 谈判策略设计

8.3 谈判Agent的结构设计

8.3.1 谈判Agent结构模型

8.3.2 谈判Agent的语法定义

8.4 基于Bayesian学习方法的谈判策略

8.4.1 基于利益差的商务谈判理论

8.4.2 Bayesian学习方法

8.4.3 NSBL的谈判过程

8.4.4 NSBL策略算法

8.4.5 实验结果

本童小结

第9章 BP神经网络和遗传算法的多属性智能谈判策略

9.1 引言

9.2 多属性谈判的效用理论

9.3 基于Trade-Off机制的谈判策略

9.3.1 Trade-Off谈判策略

9.3.2 基于Trade-Off策略的谈判过程

9.4 基于BP神经网络和遗传算法的谈判策略

9.4.1 BP神经网络设计

9.4.2 智能学习过程

9.4.3 结合遗传算法的BP神经网络权值训练

9.4 4 联机学习

9.5 实验结果

本章小结

第10章 基于本体的智能谈判协议研究

10.1 引言

10.2 面向智能谈判的本体方法

10.2.1 本体的概念和功能

10.2.2 谈判协议设计的本体方法

10.3 谈判协议的本体建模

10.3.1 谈判领域知识的本体建模

10.3.2 谈判过程的本体建模

10.4 基于OWL语言的协议本体描述

10.4.1 谈判领域知识的本体描述

10.4.2 谈判过程的本体描述

10.5 谈判协议的本体实现

本章小结

第11章 智能谈判系统的安全设计

11.1 安全问题概述

11.2 智能谈判系统的安全需求

11.2.1 智能谈判系统的安全体系框架

11.2.2 网络系统安全需求

11.2.3 电子谈判的安全需求

11.3 智能谈判系统的安全技术

11.3.1 网络系统的安全技术

11.3.2 电子谈判的安全技术

11.4 智能谈判系统的基本安全模型

11.4.1 智能谈判系统的相关成员

11.4.2 谈判信息基本的加解密流程

11.5 智能谈判系统的安全设计

11.5.1 谈判Agent注册申请证书

11.5.2 谈判Agent提出报价请求

11.5.3 谈判Agent进行讨价还价

11.5.4 谈判Agent终止谈判过程

11.5.5 谈判Agent签署电子合同

11.5.6 安全方案的具体实现

本章小结

主要参考文献

本书根据电子商务的新发展，探讨了B2C电子商务模式下，如何为消费者的网上购物和与商家的谈判两种类型的决策活动提供相应的决策支持。全书共分为两大部分。第一部分是电子商务推荐系统，主要介绍推荐系统的关键技术和应用，包括电子商务推荐相关技术介绍，Web挖掘的推荐系统，专家知识决策的推荐系统，协同过滤推荐算法等。第二部分是智能谈判，主要介绍智能谈判相关技术，包括智能谈判的基本原理，谈判策略和谈判协议研究，以及智能谈判系统的安全设计。本书反映了电子商务智能领域最新的科研成果，论述强调系统性、前瞻性，内容丰富，图书并茂，具有较高的学术价值。
　　本书可作为电子商务、信息管理系统、计算机应用和相关专业的高年级本科生、研究生及老师的教学参考书，也可作为相关学者从事电子商务智能信息系统研究、设计和开发的有价值的参考资料。