基于灰色理论的大数据处理方法研究与设计
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 引言 | 第9-10页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11-12页 |
| 1.2 大数据发展概况 | 第12-14页 |
| 1.2.1 大数据发展现状 | 第12-13页 |
| 1.2.2 大数据的应用 | 第13-14页 |
| 1.2.3 大数据发展趋势 | 第14页 |
| 1.3 课题的提出 | 第14-16页 |
| 1.4 论文结构 | 第16-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 灰色系统的理论研究 | 第19-30页 |
| 2.1 灰色系统理论 | 第19-21页 |
| 2.1.1 灰色系统理论概述 | 第19页 |
| 2.1.2 灰色系统的基本原理 | 第19-21页 |
| 2.2 GM（1,1）模型简述 | 第21-26页 |
| 2.2.1 GM（1,1）模型定义 | 第21-24页 |
| 2.2.2 GM（1,1）的白化型 | 第24页 |
| 2.2.3 改进的灰色预测GM（1,1）模型 | 第24-26页 |
| 2.3 灰色关联分析 | 第26-29页 |
| 2.3.1 灰色关联分析简介 | 第26-28页 |
| 2.3.2 灰色关联分析理论创新 | 第28-29页 |
| 2.3.3 灰色关联分析应用 | 第29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 项目的灰色关联聚类 | 第30-39页 |
| 3.1 聚类算法简介 | 第30-33页 |
| 3.1.1 聚类理论 | 第30-32页 |
| 3.1.2 聚类算法种类 | 第32-33页 |
| 3.2 传统灰色关联算法 | 第33页 |
| 3.3 灰色关联聚类算法 | 第33-35页 |
| 3.3.1 项目灰色关联聚类理论分析 | 第33-34页 |
| 3.3.2 改进的项目灰色关联聚类 | 第34-35页 |
| 3.4 灰色关联项目聚类伪代码 | 第35-36页 |
| 3.5 改进的灰色关联项目聚类实例分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 灰色接近关联度算法 | 第39-52页 |
| 4.1 协同过滤算法介绍 | 第39-41页 |
| 4.1.1 理论分析 | 第39页 |
| 4.1.2 协同过滤算法分类 | 第39-41页 |
| 4.2 相似度算法介绍 | 第41-44页 |
| 4.2.1 相似性度量方法 | 第41-43页 |
| 4.2.2 矩阵填充与矩阵降维 | 第43-44页 |
| 4.3 灰色用户相似性计算理论分析 | 第44-46页 |
| 4.4 灰色用户相似性伪代码 | 第46-48页 |
| 4.5 灰色用户相似性算法实例分析 | 第48-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 实验分析 | 第52-62页 |
| 5.1 实验流程图 | 第52-54页 |
| 5.2 电影推荐处理的应用分析 | 第54-60页 |
| 5.2.1 性能评价标准 | 第54页 |
| 5.2.2 灰色聚类最优阈值选取 | 第54-57页 |
| 5.2.3 最优近邻数目的选取 | 第57-60页 |
| 5.3 电影推荐实验及分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 导师简介 | 第68-69页 |
| 作者简介 | 第69-70页 |
| 学位论文数据集 | 第70页 |
