| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 推荐算法研究现状 | 第9-10页 |
| 1.2.2 半监督学习研究现状 | 第10-11页 |
| 1.3 本文的主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第2章 基本概念及相关技术 | 第13-19页 |
| 2.1 聚类技术 | 第13-16页 |
| 2.1.1 半监督聚类 | 第13-14页 |
| 2.1.2 人工蜂群聚类算法 | 第14-16页 |
| 2.1.3 K-Means聚类 | 第16页 |
| 2.2 推荐算法 | 第16-18页 |
| 2.2.1 基于内容的推荐 | 第17-18页 |
| 2.2.2 协同过滤推荐 | 第18页 |
| 2.2.3 其他推荐算法 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 参数自适应学习的半监督混合聚类算法 | 第19-39页 |
| 3.1 引言 | 第19页 |
| 3.2 聚类问题数学模型 | 第19页 |
| 3.3 半监督人工蜂群聚类算法 | 第19-24页 |
| 3.3.1 算法框架 | 第20页 |
| 3.3.2 改进的目标函数 | 第20-22页 |
| 3.3.3 半监督人工蜂群算法步骤 | 第22-24页 |
| 3.4 参数自适应学习的半监督混合聚类算法 | 第24-27页 |
| 3.4.1 α参数的自适应学习 | 第24-25页 |
| 3.4.2 APL-SSHC算法实现 | 第25-27页 |
| 3.5 实验结果与分析 | 第27-38页 |
| 3.5.1 实验数据 | 第27-30页 |
| 3.5.2 实验评价指标 | 第30页 |
| 3.5.3 参数α自适应优化实验结果 | 第30-32页 |
| 3.5.4 APL-SSHC算法验证 | 第32-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 基于半监督混合聚类与用户偏好的推荐算法 | 第39-55页 |
| 4.1 引言 | 第39页 |
| 4.2 基于APL-SSHC聚类的协同过滤推荐算法 | 第39-44页 |
| 4.2.1 基于用户的协同过滤推荐算法 | 第39-40页 |
| 4.2.2 基于APL-SSHC聚类的协同过滤推荐算法实现 | 第40-44页 |
| 4.3 基于半监督混合聚类与用户偏好的推荐算法 | 第44-48页 |
| 4.3.1 基于LDA模型的用户-标签和物品-标签概率矩阵分析 | 第45-46页 |
| 4.3.2 用户-物品偏好概率矩阵 | 第46-47页 |
| 4.3.3 UP-SSHC-CF算法实现 | 第47-48页 |
| 4.4 实验结果与分析 | 第48-54页 |
| 4.4.1 实验数据及评价指标 | 第48-49页 |
| 4.4.2 推荐算法验证 | 第49-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 本文总结 | 第55-56页 |
| 5.2 工作展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 攻读硕士期间取得的学术成就 | 第61页 |
