基于聚类的协同过滤推荐算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 课题背景 | 第13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究意义 | 第15页 |
| 1.4 研究内容和创新点 | 第15-17页 |
| 1.5 论文结构及内容安排 | 第17-19页 |
| 第二章 相关概念与技术 | 第19-25页 |
| 2.1 推荐系统 | 第19-20页 |
| 2.1.1 协同过滤算法 | 第20页 |
| 2.2 聚类分析 | 第20-21页 |
| 2.2.1 K-Means算法 | 第21页 |
| 2.3 相似度计算模型 | 第21-22页 |
| 2.4 存在问题 | 第22-24页 |
| 2.4.1 协同过滤存在的问题 | 第22-23页 |
| 2.4.2 K-Means算法存在的问题 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于云模型的推荐算法 | 第25-31页 |
| 3.1 云模型 | 第25-26页 |
| 3.1.1 云模型概念 | 第25页 |
| 3.1.2 云模型定义 | 第25-26页 |
| 3.2 修正的相似度计算模型 | 第26-27页 |
| 3.3 偏好因素 | 第27-28页 |
| 3.3.1 时间因素 | 第27-28页 |
| 3.3.2 评分因素 | 第28页 |
| 3.4 构造云特征 | 第28-29页 |
| 3.5 云模型应用 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 第四章 基于二叉树的聚类算法 | 第31-37页 |
| 4.1 二叉树 | 第31页 |
| 4.2 K-FBT算法 | 第31-33页 |
| 4.3 簇内凝聚度 | 第33-34页 |
| 4.4 层次遍历 | 第34-36页 |
| 4.5 本章小结 | 第36-37页 |
| 第五章 基于云模型与K-FBT的协同过滤算法 | 第37-47页 |
| 5.1 算法流程 | 第37-38页 |
| 5.2 预测评分 | 第38页 |
| 5.3 合并结果 | 第38-40页 |
| 5.4 最终评分 | 第40-41页 |
| 5.5 分布式实现 | 第41-44页 |
| 5.5.1 Spark | 第41-42页 |
| 5.5.2 CF-CMBT并行实现 | 第42-44页 |
| 5.6 关键技术 | 第44-45页 |
| 5.7 本章小结 | 第45-47页 |
| 第六章 实验设计与结果分析 | 第47-55页 |
| 6.1 实验环境 | 第47页 |
| 6.2 实验数据 | 第47页 |
| 6.3 实验评估指标 | 第47-48页 |
| 6.4 实验设计与实验结果 | 第48-52页 |
| 6.5 实验分析 | 第52-53页 |
| 6.6 本章小结 | 第53-55页 |
| 总结与展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读学位期间发表的论文 | 第61-65页 |
| 致谢 | 第65页 |
