基于用户聚类和偏好的推荐算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 研究现状 | 第14-15页 |
| 1.3 论文的主要工作及创新 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 2 基本概念和相关技术 | 第18-30页 |
| 2.1 聚类技术 | 第18-21页 |
| 2.1.1 聚类分析中的度量函数 | 第19-20页 |
| 2.1.2 聚类分析基本过程 | 第20-21页 |
| 2.2 推荐算法 | 第21-28页 |
| 2.2.1 基于内容的推荐算法 | 第21-23页 |
| 2.2.2 协同过滤推荐算法 | 第23-27页 |
| 2.2.3 混合推荐算法 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 3 聚类算法设计与实现 | 第30-38页 |
| 3.1 k-means聚类算法 | 第30-33页 |
| 3.1.1 k-means聚类算法简介 | 第30-31页 |
| 3.1.2 k-means算法步骤 | 第31-32页 |
| 3.1.3 k-means算法实例说明 | 第32-33页 |
| 3.2 谱聚类算法 | 第33-35页 |
| 3.2.1 谱聚类基本理论 | 第34页 |
| 3.2.2 NJW谱聚类算法步骤 | 第34-35页 |
| 3.3 基于信息熵的谱聚类算法 | 第35-37页 |
| 3.3.1 信息熵概念 | 第35-36页 |
| 3.3.2 基于信息熵谱聚类算法步骤 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于用户聚类和偏好推荐算法研究 | 第38-48页 |
| 4.1 改进算法的出发点 | 第38-39页 |
| 4.2 改进相似性计算方法 | 第39-43页 |
| 4.2.1 基于用户聚类相似性计算 | 第39-40页 |
| 4.2.2 基于用户偏好相似性 | 第40-43页 |
| 4.2.3 用户综合相似性 | 第43页 |
| 4.3 改进的基于用户聚类和偏好推荐算法 | 第43-45页 |
| 4.3.1 算法设计 | 第43-44页 |
| 4.3.2 算法步骤 | 第44-45页 |
| 4.4 本章小结 | 第45-48页 |
| 5 实验 | 第48-56页 |
| 5.1 实验环境和数据 | 第48-49页 |
| 5.2 实验评价标准 | 第49-51页 |
| 5.2.1 预测精度 | 第49-50页 |
| 5.2.2 分类准确度 | 第50页 |
| 5.2.3 覆盖率 | 第50-51页 |
| 5.2.4 多样性 | 第51页 |
| 5.3 实验评估 | 第51-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介及读研期间主要科研成果 | 第64页 |
