基于聚类的个性化推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及研究目的与意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 课题研究目的意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-14页 |
| 1.3 存在的问题 | 第14-15页 |
| 1.3.1 冷启动问题 | 第14页 |
| 1.3.2 数据稀疏问题 | 第14-15页 |
| 1.3.3 准确度问题 | 第15页 |
| 1.4 论文主要工作 | 第15-18页 |
| 1.4.1 论文创新点 | 第15-16页 |
| 1.4.2 论文结构安排 | 第16-18页 |
| 第二章 个性化推荐系统 | 第18-28页 |
| 2.1 个性化推荐系统简介 | 第18-19页 |
| 2.2 常用的推荐算法 | 第19-24页 |
| 2.2.1 基于人口统计信息的推荐算法 | 第20-21页 |
| 2.2.2 基于规则的推荐算法 | 第21页 |
| 2.2.3 基于内容的推荐算法 | 第21-22页 |
| 2.2.4 协同过滤推荐算法 | 第22-24页 |
| 2.2.5 混合推荐算法 | 第24页 |
| 2.3 各种推荐算法的比较 | 第24-25页 |
| 2.4 推荐系统的性能评价 | 第25-26页 |
| 2.4.1 预测评分准确率 | 第25页 |
| 2.4.2 推荐结果准确度和召回率 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 聚类算法 | 第28-36页 |
| 3.1 聚类算法简介及原理 | 第28-29页 |
| 3.2 聚类算法的分类 | 第29-35页 |
| 3.2.1 基于密度的聚类 | 第29-30页 |
| 3.2.2 基于划分的聚类 | 第30-32页 |
| 3.2.3 基于层次的聚类 | 第32-34页 |
| 3.2.4 基于网格的聚类 | 第34-35页 |
| 3.2.5 基于模型的聚类 | 第35页 |
| 3.3 本章小结 | 第35-36页 |
| 第四章 基于多示例(MI)聚类的个性化推荐算法 | 第36-48页 |
| 4.1 标签 | 第36-39页 |
| 4.1.1 标签的简介 | 第36-37页 |
| 4.1.2 标签的模型 | 第37页 |
| 4.1.3 主要的标签系统 | 第37-39页 |
| 4.2 多示例(MI)聚类 | 第39-43页 |
| 4.2.1 多示例(MI)学习概念 | 第39-40页 |
| 4.2.2 MI信息表达模型以及特点 | 第40-41页 |
| 4.2.3 MI聚类基本原理 | 第41-43页 |
| 4.3 数据稀疏处理 | 第43页 |
| 4.4 相似度计算 | 第43-46页 |
| 4.4.1 用户特征属性相似度计算 | 第44页 |
| 4.4.2 项目特征属性相似度计算 | 第44-45页 |
| 4.4.3 项目评分相似度计算 | 第45页 |
| 4.4.4 权重因子设计 | 第45-46页 |
| 4.5 最近邻集合计算形成推荐集 | 第46-47页 |
| 4.6 本章小结 | 第47-48页 |
| 第五章 推荐策略的设计与实验分析 | 第48-60页 |
| 5.1 本文推荐算法描述 | 第48页 |
| 5.2 实验设计 | 第48-52页 |
| 5.2.1 实验数据介绍 | 第48-49页 |
| 5.2.2 数据预处理 | 第49-52页 |
| 5.2.3 训练集与测试集的划分 | 第52页 |
| 5.3 实验结果分析 | 第52-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 研究内容总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录A 攻读硕士学位期间学术成果 | 第68-70页 |
| 附录B 论文核心代码 | 第70-74页 |
