| 目录 | 第4-6页 |
| Contents | 第6-8页 |
| 中文摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 引言 | 第11-17页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 本文组织结构 | 第14-17页 |
| 第二章 用户兴趣信息分析与聚类技术 | 第17-23页 |
| 2.1 用户兴趣信息及分布规律 | 第17-18页 |
| 2.2 兴趣信息获取方式 | 第18页 |
| 2.3 聚类步骤与数据类型 | 第18-20页 |
| 2.4 聚类数据集及算法精确率 | 第20-21页 |
| 2.4.1 实验数据集 | 第20-21页 |
| 2.4.2 算法精确率 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第三章 基于用户兴趣域的聚类标签算法 | 第23-33页 |
| 3.1 用户兴趣域的构建 | 第23-25页 |
| 3.1.1 用户兴趣信息处理 | 第23-24页 |
| 3.1.2 兴趣域的定义 | 第24-25页 |
| 3.2 数据聚类标签算法 | 第25-26页 |
| 3.2.1 算法描述 | 第25-26页 |
| 3.2.2 算法步骤 | 第26页 |
| 3.3 兴趣域容忍度的参数分析 | 第26-29页 |
| 3.4 兴趣信息数目与参数λ实验分析 | 第29-31页 |
| 3.4.1 兴趣数对聚类的影响 | 第29-30页 |
| 3.4.2 参数λ对聚类的影响 | 第30-31页 |
| 3.5 聚类标签算法实验比较 | 第31页 |
| 3.6 本章小结 | 第31-33页 |
| 第四章 基于用户兴趣的聚类距离度量 | 第33-41页 |
| 4.1 相似性度量 | 第33-34页 |
| 4.2 划分聚类 | 第34页 |
| 4.3 基于兴趣的距离度量 | 第34-35页 |
| 4.4 基于兴趣的距离度量的K-prototypes算法 | 第35-37页 |
| 4.4.1 算法步骤 | 第35-36页 |
| 4.4.2 实验分析 | 第36-37页 |
| 4.5 基于兴趣的距离度量的UIMCL算法 | 第37-39页 |
| 4.5.1 算法步骤 | 第37-38页 |
| 4.5.2 实验分析 | 第38-39页 |
| 4.6 本章小结 | 第39-41页 |
| 第五章 结论与展望 | 第41-43页 |
| 5.1 总结 | 第41页 |
| 5.2 展望 | 第41-43页 |
| 参考文献 | 第43-47页 |
| 攻读学位期间取得的研究成果 | 第47-49页 |
| 致谢 | 第49-51页 |
| 个人简况及联系方式 | 第51-55页 |