基于模式识别的推荐技术的研究与应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究的目的和意义 | 第15页 |
| 1.2 模式识别与推荐技术的研究现状 | 第15-18页 |
| 1.2.1 模式识别的研究现状 | 第15-17页 |
| 1.2.2 推荐技术的研究现状 | 第17-18页 |
| 1.3 论文的主要工作 | 第18页 |
| 1.4 本文组织结构 | 第18-21页 |
| 第二章 推荐系统和模式识别的技术概述 | 第21-29页 |
| 2.1 推荐系统 | 第21页 |
| 2.2 常见推荐算法 | 第21-24页 |
| 2.2.1 协同过滤推荐 | 第22-23页 |
| 2.2.2 基于内容的推荐 | 第23-24页 |
| 2.2.3 关联规则推荐 | 第24页 |
| 2.2.4 混合推荐 | 第24页 |
| 2.3 常见的模式识别方法 | 第24-27页 |
| 2.3.1 统计模式识别 | 第25页 |
| 2.3.2 句法结构模式识别 | 第25-26页 |
| 2.3.3 模糊模式识别 | 第26页 |
| 2.3.4 人工神经网络模式识别 | 第26页 |
| 2.3.5 支持向量机的模式识别 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 基于模式识别的推荐引擎设计 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 数据的采集与处理 | 第29-32页 |
| 3.2.1 用户兴趣偏好数据的采集 | 第29-30页 |
| 3.2.2 数据的预处理 | 第30-32页 |
| 3.3 基于K-means聚类的特征的选择 | 第32-38页 |
| 3.3.1 K-means聚类算法 | 第33-34页 |
| 3.3.2 DBIndex判据 | 第34-35页 |
| 3.3.3 相关性分析 | 第35页 |
| 3.3.4 聚类结果 | 第35-36页 |
| 3.3.5 最优特征子集的标准判据 | 第36页 |
| 3.3.6 基于K-means聚类的特征选择算法 | 第36-37页 |
| 3.3.7 特征选择结果 | 第37-38页 |
| 3.4 用户分类器的设计 | 第38-40页 |
| 3.5 基于模式识别的推荐引擎设计 | 第40-41页 |
| 3.6 本章小结 | 第41-43页 |
| 第四章 特征用户群组的挖掘与应用 | 第43-51页 |
| 4.1 引言 | 第43页 |
| 4.2 特征用户群组的定义 | 第43-46页 |
| 4.2.1 项目的覆盖率 | 第44页 |
| 4.2.2 项目覆盖率的增项 | 第44-46页 |
| 4.2.3 特征用户群组的定义 | 第46页 |
| 4.3 特征用户群组的挖掘及应用 | 第46-50页 |
| 4.3.1 特征用户群组的挖掘算法 | 第46-47页 |
| 4.3.2 基于特征用户群组的协同过滤推荐算法 | 第47-48页 |
| 4.3.3 特征用户群组的相关实验 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 实验结果与分析 | 第51-61页 |
| 5.1 数据集介绍 | 第51页 |
| 5.2 评价标准 | 第51-52页 |
| 5.3 实验设计 | 第52-60页 |
| 5.3.1 用户模式分类数选择的结果分析 | 第52-53页 |
| 5.3.2 特征选择的结果分析 | 第53-56页 |
| 5.3.3 特征用户群组的结果分析 | 第56-58页 |
| 5.3.4 个性化推荐的验证分析 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 结论与展望 | 第61-63页 |
| 6.1 结论 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 研究成果及发表的学术论文 | 第69-71页 |
| 作者与导师简介 | 第71-73页 |
| 附件 | 第73-74页 |
