摘要 | 第4-5页 |
Abstract | 第5-6页 |
第1章 绪论 | 第10-14页 |
1.1 研究背景和意义 | 第10-11页 |
1.2 研究和发展现状 | 第11-12页 |
1.3 研究内容与主要工作 | 第12-13页 |
1.4 论文结构安排 | 第13-14页 |
第2章 推荐系统相关理论与算法介绍 | 第14-24页 |
2.1 协同过滤算法 | 第14-17页 |
2.1.1 基于内存的协同过滤推荐 | 第14-16页 |
2.1.2 基于模型的协同过滤 | 第16-17页 |
2.2 Slope One算法 | 第17-20页 |
2.2.1 Slope One算法简介 | 第17-19页 |
2.2.2 Slope One算法的优点 | 第19-20页 |
2.2.3 Slope One算法的改进 | 第20页 |
2.3 聚类算法概述 | 第20-21页 |
2.4 推荐算法评价指标 | 第21-23页 |
2.4.1 预测准确度 | 第21-22页 |
2.4.2 分类准确性 | 第22页 |
2.4.3 覆盖率 | 第22页 |
2.4.4 多样性 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第3章 融入相似度和时间因素的加权Slope One算法 | 第24-36页 |
3.1 项目相似度计算 | 第24-28页 |
3.1.1 项目属性相似度计算 | 第24-27页 |
3.1.2 评分相似度计算 | 第27-28页 |
3.1.3 项目综合相似度计算 | 第28页 |
3.2 时间权重 | 第28-30页 |
3.3 改进的加权Slope One算法 | 第30页 |
3.4 算法流程 | 第30-31页 |
3.5 实验分析 | 第31-35页 |
3.5.1 实验环境 | 第31-32页 |
3.5.2 评估标准 | 第32页 |
3.5.3 实验数据 | 第32-33页 |
3.5.4 实验方案 | 第33页 |
3.5.5 结果分析 | 第33-35页 |
3.6 本章小结 | 第35-36页 |
第4章 基于聚类的加权Slope One算法 | 第36-48页 |
4.1 聚类填充策略 | 第36页 |
4.2 基于最小生成树的K-Means算法 | 第36-42页 |
4.2.1 K-Means算法原理 | 第37页 |
4.2.2 K-Means优缺点 | 第37-38页 |
4.2.3 现有的K-Means改进算法 | 第38页 |
4.2.4 基于最小生成树的MTK-Means算法 | 第38-40页 |
4.2.5 MTK-Means算法模拟 | 第40-42页 |
4.3 评分矩阵预测填充 | 第42-43页 |
4.4 推荐候选集选取 | 第43页 |
4.5 结合Slope One算法评分预测 | 第43-44页 |
4.6 算法描述 | 第44页 |
4.7 实验分析 | 第44-47页 |
4.7.1 实验环境 | 第44-45页 |
4.7.2 评估标准 | 第45页 |
4.7.3 实验数据 | 第45-46页 |
4.7.4 实验方案 | 第46页 |
4.7.5 实验分析 | 第46-47页 |
4.8 本章小结 | 第47-48页 |
第5章 基于聚类的加权Slope One算法设计与实现 | 第48-58页 |
5.1 系统总体设计 | 第48-49页 |
5.2 数据库建立模块 | 第49-51页 |
5.2.1 数据源 | 第49页 |
5.2.2 数据库设计 | 第49-51页 |
5.3 项目属性聚类模块设计与实现 | 第51-54页 |
5.3.1 项目属性聚类模块工作流程 | 第51-52页 |
5.3.2 初始化项目-属性矩阵 | 第52-53页 |
5.3.3 计算项目属性相似度 | 第53页 |
5.3.4 得到聚类簇 | 第53-54页 |
5.4 项目相似度和时间权重计算模块设计与实现 | 第54-56页 |
5.4.1 项目相似度和时间权重计算模块工作流程 | 第54-55页 |
5.4.2 项目相似度计算 | 第55页 |
5.4.3 时间权重计算 | 第55-56页 |
5.5 预测评分推荐模块的设计与实现 | 第56-57页 |
5.5.1 计算未评分电影的预测评分 | 第56页 |
5.5.2 对用户进行推荐 | 第56-57页 |
5.6 本章小结 | 第57-58页 |
结论 | 第58-60页 |
参考文献 | 第60-64页 |
攻读硕士学位期间获得的科研成果 | 第64-66页 |
致谢 | 第66页 |