基于模糊理论和协同过滤的个性化推荐方法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 引言 | 第17-18页 |
| 1.2 课题的研究背景 | 第18-19页 |
| 1.3 国内外近年研究成果 | 第19-21页 |
| 1.4 研究内容与论文结构 | 第21-22页 |
| 1.5 创新之处 | 第22-25页 |
| 第二章 基于模糊理论的数据挖掘技术 | 第25-29页 |
| 2.1 引言 | 第25页 |
| 2.2 模糊理论概述 | 第25-26页 |
| 2.3 模糊C均值聚类FCM | 第26-27页 |
| 2.4 模糊支持向量机FSVM | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 个性化推荐方法的理论基础 | 第29-45页 |
| 3.1 引言 | 第29页 |
| 3.2 推荐技术及分类 | 第29-33页 |
| 3.2.1 基于内容的推荐 | 第30-31页 |
| 3.2.2 协同过滤推荐 | 第31页 |
| 3.2.3 基于规则的推荐 | 第31-32页 |
| 3.2.4 组合推荐 | 第32页 |
| 3.2.5 各种推荐方法的优缺点 | 第32-33页 |
| 3.3 协同过滤算法的分类 | 第33-36页 |
| 3.3.1 基于项目的协同过滤算法 | 第33-34页 |
| 3.3.2 基于用户的协同过滤算法 | 第34-35页 |
| 3.3.3 基于聚类的协同过滤算法 | 第35-36页 |
| 3.4 其他相关技术介绍 | 第36-40页 |
| 3.4.1 相似性度量公式 | 第36-38页 |
| 3.4.2 用户评分预测公式 | 第38-39页 |
| 3.4.3 协同过滤技术存在的问题与挑战 | 第39-40页 |
| 3.5 推荐算法的常用数据集与评价标准 | 第40-43页 |
| 3.5.1 推荐算法常用数据集 | 第40-41页 |
| 3.5.2 推荐算法的评价指标 | 第41-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第四章 算法的改进与应用 | 第45-61页 |
| 4.1 引言 | 第45-46页 |
| 4.2 改进后的模糊C均值聚类算法 | 第46-48页 |
| 4.3 改进后的模糊支持向量机算法 | 第48-51页 |
| 4.4 改进后的协同过滤算法 | 第51-54页 |
| 4.4.1 用户相似性度量 | 第51-53页 |
| 4.4.2 用户评分预测公式 | 第53-54页 |
| 4.5 实验方案与结果分析 | 第54-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 基于模糊理论和协同过滤的个性化推荐方法 | 第61-71页 |
| 5.1 引言 | 第61页 |
| 5.2 基于模糊理论和协同过滤的个性化推荐方法 | 第61-64页 |
| 5.2.1 加权排序模型 | 第61-62页 |
| 5.2.2 算法整体架构 | 第62-64页 |
| 5.3 实验数据集与环境 | 第64页 |
| 5.4 实验方案设计 | 第64-65页 |
| 5.5 实验结果与分析 | 第65-70页 |
| 5.6 本章小结 | 第70-71页 |
| 第六章 结束语 | 第71-75页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
