基于模糊聚类的个性化推荐技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究的主要内容 | 第11-13页 |
| 1.3.1 推荐技术面临的挑战 | 第12-13页 |
| 1.3.2 本文工作 | 第13页 |
| 1.4 论文组织安排 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第2章 推荐算法研究综述 | 第15-24页 |
| 2.1 推荐算法分类 | 第15-19页 |
| 2.1.1 基于内容的推荐算法 | 第15-16页 |
| 2.1.2 基于关联规则的推荐算法 | 第16-17页 |
| 2.1.3 基于效用的推荐算法 | 第17页 |
| 2.1.4 基于知识的推荐算法 | 第17-18页 |
| 2.1.5 协同过滤推荐算法 | 第18页 |
| 2.1.6 各种算法优缺点比较 | 第18-19页 |
| 2.2 协同过滤算法分析 | 第19-23页 |
| 2.2.1 用户数据的收集 | 第20-21页 |
| 2.2.2 基于用户的协同过滤算法 | 第21-23页 |
| 2.2.3 基于项目的协同过滤算法 | 第23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 模糊聚类算法研究 | 第24-31页 |
| 3.1 模糊聚类简介 | 第24页 |
| 3.2 模糊C均值聚类(FCM)算法 | 第24-25页 |
| 3.3 FCM在用户-项目评分矩阵中的应用 | 第25-30页 |
| 3.3.1 FCM聚类算法实现原理 | 第26-27页 |
| 3.3.2 初始聚类中心的选取 | 第27-29页 |
| 3.3.3 FCM聚类算法的优点及存在的问题 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第4章 基于FCM的协同过滤算法改进研究 | 第31-46页 |
| 4.1 问题分析 | 第31-32页 |
| 4.2 FCM聚类距离函数的改进 | 第32-34页 |
| 4.2.1 距离计算公式改进 | 第32-33页 |
| 4.2.2 改进的模糊C均值聚类 | 第33-34页 |
| 4.3 矩阵稀疏性问题的优化 | 第34-36页 |
| 4.3.1 稀疏性分析 | 第34页 |
| 4.3.2 Slope One算法 | 第34-36页 |
| 4.4 基于改进的FCM协同过滤算法 | 第36-38页 |
| 4.4.1 算法改进思想 | 第36页 |
| 4.4.2 改进算法流程图设计 | 第36-37页 |
| 4.4.3 改进算法实现步骤 | 第37-38页 |
| 4.5 数据集 | 第38-40页 |
| 4.5.1 数据集介绍 | 第38-39页 |
| 4.5.2 论文数据集选取 | 第39-40页 |
| 4.6 实验设计 | 第40-45页 |
| 4.6.1 试验环境 | 第40页 |
| 4.6.2 推荐度量指标 | 第40-41页 |
| 4.6.3 实验方案 | 第41-42页 |
| 4.6.4 实验结果与分析 | 第42-45页 |
| 4.7 本章小结 | 第45-46页 |
| 第5章 系统设计与实现 | 第46-52页 |
| 5.1 系统设计 | 第46-48页 |
| 5.1.1 系统环境 | 第46页 |
| 5.1.2 设计思想 | 第46-47页 |
| 5.1.3 系统功能模块 | 第47-48页 |
| 5.1.4 系统流程图 | 第48页 |
| 5.2 具体实现 | 第48-50页 |
| 5.3 本章小结 | 第50-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第56-57页 |
| 致谢 | 第57页 |
