基于粒子群K-means聚类的个性化推荐研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 1. 绪论 | 第11-15页 |
| ·课题研究背景与意义 | 第11-12页 |
| ·课题研究的目的 | 第12页 |
| ·国内外研究现状 | 第12-13页 |
| ·Web 数据挖掘 | 第12-13页 |
| ·个性化推荐 | 第13页 |
| ·论文主要内容与结构 | 第13-15页 |
| 2. Web 数据挖掘 | 第15-23页 |
| ·数据挖掘概述 | 第15-16页 |
| ·数据挖掘的定义 | 第15页 |
| ·数据挖掘的过程 | 第15-16页 |
| ·Web 数据挖掘特点与分类 | 第16-19页 |
| ·互联网数据的特点 | 第16-17页 |
| ·Web 挖掘的分类 | 第17-19页 |
| ·Web 数据挖掘的应用 | 第19-20页 |
| ·电子商务中的应用 | 第19页 |
| ·网站结构设计中的应用 | 第19-20页 |
| ·搜索引擎中的应用 | 第20页 |
| ·Web 数据挖掘相关技术 | 第20-23页 |
| ·分类 | 第20-21页 |
| ·聚类 | 第21页 |
| ·关联规则 | 第21页 |
| ·序列模式 | 第21-22页 |
| ·特征规则 | 第22页 |
| ·区分规则 | 第22页 |
| ·预测 | 第22-23页 |
| 3. Web 站点信息提取与个性化推荐系统 | 第23-39页 |
| ·客户兴趣度 | 第23页 |
| ·Web 页面相似性比较 | 第23-26页 |
| ·页面相似度计算方式 | 第23-25页 |
| ·会话相似度 | 第25-26页 |
| ·信息提取判定标准 | 第26页 |
| ·信息提取思想 | 第26-32页 |
| ·分块的优势 | 第26-27页 |
| ·块的概念 | 第27-28页 |
| ·分块的技术 | 第28-29页 |
| ·块中主题搜索 | 第29-30页 |
| ·块的权值 | 第30-32页 |
| ·推荐系统的作用与分类 | 第32-39页 |
| ·推荐系统的作用 | 第32-33页 |
| ·推荐系统的分类 | 第33-34页 |
| ·推荐的具体方法 | 第34-37页 |
| ·推荐系统的构成 | 第37-39页 |
| 4. 基于粒子群的 K-means 聚类算法 | 第39-50页 |
| ·K-means 算法 | 第39-40页 |
| ·算法思想 | 第39页 |
| ·存在的问题 | 第39-40页 |
| ·带混沌的 PSO 算法 | 第40-42页 |
| ·智能群体算法 | 第40页 |
| ·混沌序列 | 第40-41页 |
| ·粒子群算法分析 | 第41-42页 |
| ·基于 PSO-K-means 聚类算法 | 第42-50页 |
| ·PSO-K-means 算法 | 第42-44页 |
| ·数据来源 | 第44-45页 |
| ·聚类结果分析 | 第45-50页 |
| 5. 基于 PSO-KM 的个性化推荐算法 | 第50-58页 |
| ·协同过滤算法面临的问题 | 第50页 |
| ·推荐算法的实现 | 第50-52页 |
| ·数据预处理 | 第52-54页 |
| ·数据来源 | 第54页 |
| ·评价指标 | 第54页 |
| ·实验方案与结果分析 | 第54-58页 |
| 6. 结论与展望 | 第58-59页 |
| ·总结 | 第58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-61页 |
| 攻读硕士学位期间发表学术论文情况 | 第61-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63-64页 |
