一种基于用户信任度的改进协同过滤算法研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 个性化推荐的研究现状 | 第13-14页 |
| 1.2.2 协同过滤算法研究现状 | 第14-15页 |
| 1.2.3 信任网络研究现状 | 第15-16页 |
| 1.3 主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 相关技术综述 | 第18-30页 |
| 2.1 个性化推荐系统概述 | 第18-19页 |
| 2.2 个性化推荐算法 | 第19-27页 |
| 2.2.1 基于内容的推荐算法 | 第19-20页 |
| 2.2.2 基于关联规则的推荐算法 | 第20-21页 |
| 2.2.3 基于协同过滤的推荐算法 | 第21-25页 |
| 2.2.4 基于人口统计学的推荐算 | 第25-26页 |
| 2.2.5 混合推荐 | 第26-27页 |
| 2.3 主要聚类技术 | 第27-29页 |
| 2.3.1 基于划分的聚类 | 第27-28页 |
| 2.3.2 基于层次的聚类 | 第28页 |
| 2.3.3 基于密度的聚类 | 第28页 |
| 2.3.4 基于网格的聚类 | 第28-29页 |
| 2.3.5 模糊聚类 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于用户信任度的协同过滤算法 | 第30-38页 |
| 3.1 信任与相似性的关系 | 第30-31页 |
| 3.1.1 不同领域对信任的研究 | 第30页 |
| 3.1.2 计算机领域对信任的研究 | 第30-31页 |
| 3.2 基于信任的推荐模型研究 | 第31-33页 |
| 3.2.1 信任的特性 | 第31页 |
| 3.2.2 信任的模型 | 第31-33页 |
| 3.3 信任的度量方法 | 第33-34页 |
| 3.4 基于信任度改进的协同过滤算法 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于加权欧氏距离K-均值聚类算法 | 第38-50页 |
| 4.1 用户个人特征信息矩阵的建立 | 第38-40页 |
| 4.2 用户信息属性的相异度计算 | 第40-43页 |
| 4.3 K-均值聚类算法研究与分析 | 第43-46页 |
| 4.3.1 K-均值聚类算法的思想及流程 | 第43页 |
| 4.3.2 K-均值聚类算法的分析与现有改进 | 第43-44页 |
| 4.3.3 对初始中心值的依赖性分析及现有改进 | 第44-46页 |
| 4.4 基于用户聚类和改进相似度的协同过滤算法 | 第46-48页 |
| 4.4.1 权重学习 | 第46-47页 |
| 4.4.2 算法思想的描述 | 第47-48页 |
| 4.4.3 算法设计 | 第48页 |
| 4.5 本章小结 | 第48-50页 |
| 第5章 实验 | 第50-56页 |
| 5.1 实验环境及数据集 | 第50-51页 |
| 5.1.1 实验环境 | 第50页 |
| 5.1.2 实验数据集 | 第50-51页 |
| 5.2 设计实验与分析 | 第51-55页 |
| 5.2.1 实验评估指标 | 第51-53页 |
| 5.2.2 实验分析 | 第53-55页 |
| 5.2.3 实验结论 | 第55页 |
| 5.3 本章小结 | 第55-56页 |
| 总结 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
