| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文结构安排 | 第17-19页 |
| 第二章 聚类算法及智能推荐算法概述 | 第19-30页 |
| 2.1 聚类算法概述 | 第19-23页 |
| 2.1.1 常见的聚类算法 | 第19-22页 |
| 2.1.2 常见的聚类算法优缺点 | 第22-23页 |
| 2.2 智能推荐算法概述 | 第23-28页 |
| 2.2.1 常见的智能推荐算法 | 第24-27页 |
| 2.2.2 常见的智能推荐算法优缺点 | 第27页 |
| 2.2.3 推荐算法的评价指标 | 第27-28页 |
| 2.3 论文设计思路 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于K-means的属性加权模糊C均值聚类算法研究 | 第30-53页 |
| 3.1 模糊C均值聚类算法 | 第30-35页 |
| 3.1.1 模糊C均值聚类算法 | 第30-33页 |
| 3.1.2 模糊C均值聚类算法的评价函数 | 第33-35页 |
| 3.2 基于K-means的属性加权模糊C均值改进算法 | 第35-41页 |
| 3.2.1 K-means算法研究 | 第35-38页 |
| 3.2.2 属性加权学习算法研究 | 第38-40页 |
| 3.2.3 基于K-means的属性加权模糊C均值聚类算法 | 第40-41页 |
| 3.3 仿真结果及分析 | 第41-52页 |
| 3.3.1 K-means算法仿真结果及分析 | 第42-43页 |
| 3.3.2 基于K-means的属性加权模糊C均值聚类算法仿真结果及分析 | 第43-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 融合W2VE的模糊C均值聚类算法研究 | 第53-69页 |
| 4.1 基于W2VE的相似度计算 | 第53-62页 |
| 4.1.1 基于Word2Vec的词向量 | 第53-60页 |
| 4.1.2 地球移动距离 | 第60页 |
| 4.1.3 基于W2VE的相似度计算过程 | 第60-62页 |
| 4.2 融合W2VE的模糊C均值改进算法 | 第62-63页 |
| 4.2.1 融合W2VE的模糊C均值聚类算法框架设计 | 第62-63页 |
| 4.2.2 融合W2VE的模糊C均值聚类算法聚类过程 | 第63页 |
| 4.3 仿真结果及分析 | 第63-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 基于聚类的智能推荐算法研究 | 第69-93页 |
| 5.1 基于用户的协同过滤改进算法 | 第70-74页 |
| 5.1.1 基于用户的协同过滤算法 | 第70-72页 |
| 5.1.2 基于用户的协同过滤改进算法 | 第72-74页 |
| 5.2 基于项目的协同过滤改进算法 | 第74-79页 |
| 5.2.1 基于项目的协同过滤算法 | 第74-77页 |
| 5.2.2 基于项目的协同过滤改进算法 | 第77-79页 |
| 5.3 基于聚类的智能推荐算法实现 | 第79-80页 |
| 5.3.1 并行式综合推荐 | 第79页 |
| 5.3.2 基于聚类的智能推荐算法的实现 | 第79-80页 |
| 5.4 仿真结果及分析 | 第80-91页 |
| 5.4.1 基于用户的协同过滤改进算法仿真结果及分析 | 第80-83页 |
| 5.4.2 基于项目的协同过滤改进算法仿真结果及分析 | 第83-87页 |
| 5.4.3 基于聚类的智能推荐算法仿真结果及分析 | 第87-91页 |
| 5.5 本章小结 | 第91-93页 |
| 第六章 总结与展望 | 第93-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-101页 |
| 攻读硕士学位期间取得的研究成果 | 第101-102页 |
