基于聚类的改进混合推荐算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第11-22页 |
| 第一节 选题背景与研究意义 | 第11-13页 |
| 一、选题背景 | 第11-12页 |
| 二、研究意义 | 第12-13页 |
| 第二节 国内外研究现状 | 第13-19页 |
| 一、推荐系统的应用现状 | 第13-14页 |
| 二、个性化推荐的研究现状 | 第14页 |
| 三、推荐算法的研究现状 | 第14-18页 |
| 四、国内外文献评述 | 第18-19页 |
| 第三节 研究内容及研究框架 | 第19-20页 |
| 一、研究内容 | 第19-20页 |
| 二、研究框架 | 第20页 |
| 第四节 本文创新之处 | 第20-22页 |
| 第二章 相关算法概述 | 第22-39页 |
| 第一节 推荐算法介绍 | 第22-30页 |
| 一、协同过滤推荐算法 | 第22-29页 |
| 二、混合推荐算法 | 第29-30页 |
| 第二节 Slope One算法 | 第30-34页 |
| 第三节 粒子群算法 | 第34-36页 |
| 一、算法概述 | 第34-35页 |
| 二、算法流程 | 第35-36页 |
| 第四节 隐语义模型 | 第36-39页 |
| 一、模型概念 | 第36-37页 |
| 二、求解流程 | 第37-39页 |
| 第三章 基于聚类的改进推荐算法 | 第39-49页 |
| 第一节 基于聚类的协同过滤 | 第39-42页 |
| 一、聚类算法 | 第39-41页 |
| 二、推荐算法流程 | 第41-42页 |
| 第二节 问题的提出与分析 | 第42-43页 |
| 一、数据稀疏性 | 第42页 |
| 二、初始聚类中心敏感 | 第42-43页 |
| 三、传统相似度的不足 | 第43页 |
| 第三节 改进思路及方法 | 第43-47页 |
| 一、引入Slope One算法填充 | 第43页 |
| 二、采用改进的粒子群算法进行初始化 | 第43-45页 |
| 三、融合商品流行度和共同评分项 | 第45-47页 |
| 第四节 小结 | 第47-49页 |
| 第四章 实证分析及应用 | 第49-63页 |
| 第一节 实验数据与环境 | 第49页 |
| 第二节 实验数据特征介绍 | 第49-53页 |
| 一、聚类数据集介绍 | 第49-50页 |
| 二、推荐算法数据集介绍 | 第50-53页 |
| 第三节 实证指标及结果 | 第53-61页 |
| 一、聚类准确率比较 | 第54-56页 |
| 二、适应度值比较 | 第56-57页 |
| 三、改进的推荐算法的准确率比较 | 第57-58页 |
| 四、改进的相似度比较 | 第58-59页 |
| 五、矩阵填充比较 | 第59-60页 |
| 六、混合推荐算法比较 | 第60-61页 |
| 第四节 改进算法的运用 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 第一节 总结 | 第63-64页 |
| 第二节 展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
