| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 1 绪论 | 第14-21页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 推荐算法的研究现状 | 第15-16页 |
| 1.2.2 奇异值分解算法的研究现状 | 第16-17页 |
| 1.2.3 k-means聚类算法的研究现状 | 第17-18页 |
| 1.3 论文的研究内容和创新点 | 第18-21页 |
| 1.3.1 论文的主要研究内容及组织结构 | 第18-19页 |
| 1.3.2 论文的创新点 | 第19-21页 |
| 2 个性化推荐系统及相关技术 | 第21-31页 |
| 2.1 个性化推荐系统 | 第21-23页 |
| 2.1.1 个性化推荐系统的基本理论 | 第21-22页 |
| 2.1.2 个性化推荐系统的组成 | 第22页 |
| 2.1.3 个性化推荐系统的功能 | 第22-23页 |
| 2.2 推荐算法相关理论 | 第23-26页 |
| 2.2.1 推荐算法概述 | 第23-24页 |
| 2.2.2 推荐算法流程 | 第24-25页 |
| 2.2.3 推荐算法的应用 | 第25-26页 |
| 2.3 推荐算法分类 | 第26-31页 |
| 2.3.1 协同过滤推荐算法 | 第26-27页 |
| 2.3.2 基于内容的推荐算法 | 第27-28页 |
| 2.3.3 基于图结构的推荐算法 | 第28-29页 |
| 2.3.4 混合推荐 | 第29-31页 |
| 3 基于奇异值分解的推荐算法模型 | 第31-45页 |
| 3.1 引言 | 第31-32页 |
| 3.2 奇异值分解 | 第32-37页 |
| 3.2.1 奇异值分解算法的概述 | 第32-34页 |
| 3.2.2 奇异值分解的几点解释和标注 | 第34-35页 |
| 3.2.3 基于SDM的奇异值分解算法 | 第35-37页 |
| 3.3 相似度计算方法 | 第37-39页 |
| 3.3.1 基于用户属性的相似度算法 | 第37-38页 |
| 3.3.2 基于评分的相似度计算 | 第38-39页 |
| 3.3.3 混合相似度计算 | 第39页 |
| 3.4 推荐算法模型 | 第39-41页 |
| 3.4.1 离线预处理评分矩阵 | 第39-40页 |
| 3.4.2 在线搜索最近邻居查询 | 第40页 |
| 3.4.3 算法时间复杂度 | 第40-41页 |
| 3.5 实证研究和结果分析 | 第41-44页 |
| 3.5.1 测试数据集 | 第41-42页 |
| 3.5.2 性能评价标准 | 第42页 |
| 3.5.3 实验结果分析 | 第42-44页 |
| 3.6 小结 | 第44-45页 |
| 4 一种改进初始质心的K-MEANS聚类算法 | 第45-55页 |
| 4.1 引言 | 第45-46页 |
| 4.2 K-MEANS聚类算法 | 第46-48页 |
| 4.2.1 k-means聚类算法的概述 | 第46-48页 |
| 4.2.2 k-means聚类算法的性能分析 | 第48页 |
| 4.3 算法的改进策略 | 第48-52页 |
| 4.3.1 初始质心的选择 | 第48-50页 |
| 4.3.2 均衡化评价函数 | 第50页 |
| 4.3.3 基于初始化中心点和均衡化函数的k-means算法 | 第50-51页 |
| 4.3.4 算法的时间复杂度 | 第51-52页 |
| 4.4 实验结果及分析 | 第52-54页 |
| 4.4.1 初始聚类中心的验证 | 第52-53页 |
| 4.4.2 均衡化函数实验结果 | 第53页 |
| 4.4.3 算法性能比较 | 第53-54页 |
| 4.5 小结 | 第54-55页 |
| 5 KSVD模型 | 第55-62页 |
| 5.1 引言 | 第55-56页 |
| 5.2 KSVD模型实现 | 第56-57页 |
| 5.3 实证研究和结果分析 | 第57-61页 |
| 5.3.1 实验数据 | 第57-58页 |
| 5.3.2 性能评价指标 | 第58页 |
| 5.3.3 实验结果分析 | 第58-61页 |
| 5.4 小结 | 第61-62页 |
| 6 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 对未来工作的展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 在校期间发表的论文和科研成果 | 第68-69页 |
| 致谢 | 第69页 |