首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于模糊聚类的分布式推荐算法研究与应用

摘要第3-5页
Abstract第5-6页
第一章 绪论第9-14页
    1.1 研究背景和意义第9-10页
    1.2 国内外研究现状第10-11页
    1.3 本文研究内容和创新特色第11-13页
    1.4 论文的组织结构第13-14页
第二章 个性化推荐相关理论第14-22页
    2.1 个性化推荐算法介绍第14-16页
        2.1.1 推荐算法分类第14页
        2.1.2 推荐算法的常见数据集第14-15页
        2.1.3 推荐算法的评价标准第15-16页
    2.2 聚类分析介绍第16-18页
        2.2.1 聚类分析概述第16-17页
        2.2.2 聚类算法分类第17-18页
        2.2.3 聚类算法评估标准第18页
    2.3 Hadoop技术介绍第18-21页
        2.3.1 Hadoop概述第18-19页
        2.3.2 Hadoop存储——HDFS第19-20页
        2.3.3 Hadoop计算——MapReduce第20-21页
    2.4 本章小结第21-22页
第三章 基于密度峰值改进的模糊C均值聚类算法第22-37页
    3.1 基于共享近邻距离的密度峰值聚类算法(DPCND)第22-33页
        3.1.1 密度峰值聚类算法第22-24页
        3.1.2 密度峰值聚类算法存在的问题第24页
        3.1.3 DPCND算法描述第24-26页
        3.1.4 实验结果分析第26-33页
    3.2 基于密度峰值改进的模糊C均值聚类算法(DPCND-FCM)第33-35页
        3.2.1 模糊C均值聚类算法第33-34页
        3.2.2 DPCND-FCM算法描述第34页
        3.2.3 实验结果分析第34-35页
    3.3 本章小结第35-37页
第四章 基于MapReduce的DPCND-FCM聚类算法第37-45页
    4.1 MapReduce原理第37-38页
    4.2 基于MapReduce的DPCND-FCM算法(MrDPCND-FCM)第38-41页
        4.2.1 算法描述第38-40页
        4.2.2 MapReduce的序列配置第40-41页
    4.3 实验结果分析第41-44页
        4.3.1 实验环境搭建第41-42页
        4.3.2 单机性能实验第42-43页
        4.3.3 集群性能实验第43-44页
    4.4 本章小结第44-45页
第五章 基于MrDPCND-FCM聚类的分布式协同过滤推荐算法第45-56页
    5.1 协同过滤算法介绍第45-47页
    5.2 基于DPCND-FCM聚类的协同过滤推荐算法(DF-CF)第47-48页
        5.2.1 模糊聚类的应用及其优势第47页
        5.2.2 算法描述第47-48页
    5.3 基于MrDPCND-FCM聚类的分布式协同过滤推荐算法(MrDF-CF)第48-51页
    5.4 实验结果分析第51-55页
        5.4.1 算法参数分析第51-52页
        5.4.2 算法性能比较分析第52-54页
        5.4.3 算法可扩展性分析第54-55页
    5.5 本章小结第55-56页
第六章 基于Hadoop的图书推荐系统的设计与实现第56-66页
    6.1 系统概述第56页
    6.2 数据预处理第56-59页
        6.2.1 抓取网页数据第56-58页
        6.2.2 数据整理第58-59页
    6.3 系统架构与设计第59-61页
        6.3.1 系统架构第59-60页
        6.3.2 分层与后端实现第60-61页
    6.4 系统功能实现与评测第61-65页
        6.4.1 系统功能实现第61-63页
        6.4.2 结果评测第63-65页
    6.5 本章小结第65-66页
第七章 总结与展望第66-68页
    7.1 工作总结第66页
    7.2 展望第66-68页
致谢第68-69页
参考文献第69-73页
附录:作者在攻读硕士学位期间发表的论文第73页

论文共73页,点击 下载论文
上一篇:基于内容的形状检索研究
下一篇:基于特征融合与深度学习的行人检测方法研究