基于聚类分析的热点图书排序推荐方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-13页 |
| 2 相关理论与方法简介 | 第13-22页 |
| 2.1 排序模式 | 第13-15页 |
| 2.2 个性化推荐算法分类 | 第15-16页 |
| 2.3 基于内容的推荐 | 第16-18页 |
| 2.3.1 产品表示 | 第17-18页 |
| 2.3.2 喜好学习 | 第18页 |
| 2.3.3 生成推荐 | 第18页 |
| 2.4 协同过滤推荐算法 | 第18-20页 |
| 2.4.1 已购买物品的评价矩阵建立 | 第18-19页 |
| 2.4.2 基于相似度计算的推荐生成 | 第19-20页 |
| 2.5 聚类分析 | 第20-22页 |
| 3 书目评价数据的预处理 | 第22-30页 |
| 3.1 个性化推荐排序的应用模式 | 第22-24页 |
| 3.2 产品评价的向量表示 | 第24-26页 |
| 3.2.1 确定分析窗口 | 第24-25页 |
| 3.2.2 客户购买行为的抽象表示 | 第25-26页 |
| 3.3 基于TF-IDF的关键词提取 | 第26-28页 |
| 3.3.1 关键词提取的原因 | 第26页 |
| 3.3.2 基于TF-IDF的书目的关键词提取 | 第26-28页 |
| 3.4 书目评价矩阵到内容评价矩阵的转换 | 第28-30页 |
| 4 基于客户聚类分析的图书评价预测 | 第30-38页 |
| 4.1 聚类分析的一般步骤 | 第30-32页 |
| 4.2 基于K-means算法的用户聚类 | 第32-35页 |
| 4.2.1 K-means聚类算法简介 | 第32-33页 |
| 4.2.2 用户聚类分析 | 第33-35页 |
| 4.3 基于聚类的书目评价预测 | 第35-38页 |
| 4.3.1 客户聚类评价矩阵的建立 | 第35页 |
| 4.3.2 排序推荐生成 | 第35-38页 |
| 5 实验与分析 | 第38-47页 |
| 5.1 实验过程描述 | 第38-43页 |
| 5.1.1 实验数据集 | 第38-39页 |
| 5.1.2 数据训练 | 第39-42页 |
| 5.1.3 个性化推荐排序 | 第42-43页 |
| 5.2 实验结果对比分析 | 第43-47页 |
| 5.2.1 检验指标 | 第43-44页 |
| 5.2.2 实验分析 | 第44-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 总结 | 第47页 |
| 6.2 展望 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 致谢 | 第52-53页 |
| 在读期间公开发表论文（著）及科研情况 | 第53页 |
