基于聚类的动态情景协同过滤推荐策略研究
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容和创新点 | 第11页 |
| 1.4 论文组织结构 | 第11-13页 |
| 第二章 推荐系统概述 | 第13-20页 |
| 2.1 引言 | 第13-15页 |
| 2.1.1 基于内容的推荐算法 | 第13-14页 |
| 2.1.2 协同过滤推荐算法 | 第14-15页 |
| 2.2 协同过滤推荐算法概述 | 第15-18页 |
| 2.2.1 基于邻域的协同过滤推荐算法 | 第16-17页 |
| 2.2.2 基于用户的协同过滤推荐算法 | 第17页 |
| 2.2.3 基于项目的协同过滤推荐算法 | 第17-18页 |
| 2.2.4 基于模型的协同过滤推荐算法 | 第18页 |
| 2.3 常用数据集 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于加权聚类的动态协同过滤推荐算法 | 第20-31页 |
| 3.1 引言 | 第20-21页 |
| 3.2 SK-means聚类方法 | 第21-22页 |
| 3.3 基于加权聚类的动态情景协同过滤推荐算法 | 第22-25页 |
| 3.3.1 训练步骤 | 第22-23页 |
| 3.3.2 算法描述 | 第23页 |
| 3.3.3 预测步骤 | 第23-24页 |
| 3.3.4 增量训练步骤 | 第24-25页 |
| 3.4 实验设置 | 第25-30页 |
| 3.4.1 评价指标 | 第25-26页 |
| 3.4.2 实验结果和分析 | 第26页 |
| 3.4.3 静态情景的实验结果分析 | 第26-27页 |
| 3.4.4 静态情景的计算时间分析 | 第27-28页 |
| 3.4.5 动态情景的实验结果分析 | 第28-29页 |
| 3.4.6 动态情景的计算时间分析 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于最大熵原理的聚类算法 | 第31-38页 |
| 4.1 引言 | 第31页 |
| 4.2 确定性退火技术与最大熵聚类算法 | 第31-32页 |
| 4.3 球面K均值聚类算法 | 第32-34页 |
| 4.4 实验结果与分析 | 第34-35页 |
| 4.4.1 算法性能评估标准 | 第34页 |
| 4.4.2 实验数据集的描述 | 第34-35页 |
| 4.5 实验结果及分析 | 第35-37页 |
| 4.5.1 固定聚类数时每种算法的聚类效果比较 | 第35-36页 |
| 4.5.2 不同聚类算法的聚类结果比较 | 第36-37页 |
| 4.5.3 不同聚类算法的聚类时间比较 | 第37页 |
| 4.6 本章小结 | 第37-38页 |
| 第五章 总结与展望 | 第38-39页 |
| 5.1 本文总结 | 第38页 |
| 5.2 进一步工作 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 攻读硕士学位期间的主要成果 | 第42页 |
