摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第13-20页 |
1.1 课题研究背景及意义 | 第13-14页 |
1.2 推荐系统的国内外研究现状 | 第14-17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 |
1.2.3 主要面临的挑战 | 第16-17页 |
1.3 本文研究目标与内容 | 第17-18页 |
1.4 本文的组织结构 | 第18-20页 |
第二章 相关技术分析及整体设计 | 第20-33页 |
2.1 推荐系统概述 | 第20-26页 |
2.1.1 基于内存的协同过滤 | 第21-23页 |
2.1.2 基于聚类的协同过滤算法 | 第23-26页 |
2.1.3 推荐算法的分析与选择 | 第26页 |
2.2 推荐算法常用的数据集 | 第26-27页 |
2.3 推荐算法评价方法 | 第27-28页 |
2.4 传统聚类算法概述 | 第28-32页 |
2.4.1 常见的聚类算法 | 第30-31页 |
2.4.2 聚类算法的分析与选择 | 第31-32页 |
2.5 本章小结 | 第32-33页 |
第三章 基于改进谱聚类的协同过滤算法研究 | 第33-54页 |
3.1 谱聚类算法 | 第33-38页 |
3.1.1 谱聚类的相似性度量 | 第33-34页 |
3.1.2 图的划分准则 | 第34-35页 |
3.1.3 图的矩阵表示 | 第35-36页 |
3.1.4 谱聚类的基本步骤 | 第36-37页 |
3.1.5 谱聚类的典型算法 | 第37-38页 |
3.2 基于改进谱聚类的协同过滤算法(PUM-CF) | 第38-48页 |
3.2.1 构建用户偏好矩阵 | 第39-40页 |
3.2.2 基于物品相似度的WeightedSlopeOne预填充算法研究 | 第40-42页 |
3.2.3 基于最大距离积的改进谱聚类算法研究(MDP-SC) | 第42-47页 |
3.2.4 完成推荐及算法总执行过程 | 第47-48页 |
3.3 本章算法测试分析 | 第48-53页 |
3.3.1 MDP-SC算法实验与分析 | 第48-50页 |
3.3.2 PUM-CF算法实验与分析 | 第50-53页 |
3.4 本章小结 | 第53-54页 |
第四章 基于改进谱聚类与混合蛙跳的协同过滤算法研究 | 第54-74页 |
4.1 混合蛙跳算法概述 | 第54-58页 |
4.1.1 算法的行为描述 | 第54-55页 |
4.1.2 算法的数学模型 | 第55-56页 |
4.1.3 算法的参数设置 | 第56-57页 |
4.1.4 算法的详细流程 | 第57-58页 |
4.2 改进混合蛙跳算法研究(NVF-SFLA) | 第58-63页 |
4.2.1 基于正态分布的变异 | 第59页 |
4.2.2 劣汰变异机制 | 第59-60页 |
4.2.3 优胜变异机制 | 第60页 |
4.2.4 改进混合蛙跳算法的流程 | 第60-63页 |
4.3 基于改进谱聚类与混合蛙跳的协同过滤算法(PUMS-CF) | 第63-66页 |
4.3.1 基于改进混合蛙跳算法求解最近邻集 | 第64-65页 |
4.3.2 基于改进谱聚类与混合蛙跳的协同过滤算法总流程 | 第65-66页 |
4.4 本章算法测试分析 | 第66-73页 |
4.4.1 NVF-SFLA算法实验结果与分析 | 第66-71页 |
4.4.2 PUMS-CF算法实验与分析 | 第71-73页 |
4.5 本章小结 | 第73-74页 |
第五章 个性化电影推荐系统的设计与实现 | 第74-87页 |
5.1 系统功能需求分析 | 第74-75页 |
5.2 个性化电影推荐系统的设计 | 第75-80页 |
5.2.1 系统整体架构设计 | 第75-76页 |
5.2.2 系统功能及业务逻辑设计 | 第76-78页 |
5.2.3 系统的数据库设计 | 第78-80页 |
5.3 个性化电影推荐系统的实现 | 第80-86页 |
5.3.1 系统数据来源 | 第81页 |
5.3.2 系统功能模块实现 | 第81-84页 |
5.3.3 推荐模块实现 | 第84-86页 |
5.4 本章小结 | 第86-87页 |
第六章 总结与展望 | 第87-89页 |
6.1 总结 | 第87-88页 |
6.2 展望 | 第88-89页 |
致谢 | 第89-90页 |
参考文献 | 第90-95页 |
攻读硕士学位期间取得的研究成果 | 第95页 |