| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.3 本文主要工作 | 第17-18页 |
| 1.4 本文组织 | 第18-19页 |
| 第2章 数据挖掘概述 | 第19-27页 |
| 2.1 数据挖掘定义 | 第19页 |
| 2.2 数据挖掘方法 | 第19-20页 |
| 2.3 数据挖掘流程 | 第20-22页 |
| 2.4 数据挖掘工具及软件 | 第22-24页 |
| 2.5 数据挖掘工具评价标准 | 第24-25页 |
| 2.6 数据挖掘应用 | 第25-26页 |
| 2.7 小结 | 第26-27页 |
| 第3章 协同过滤算法概述 | 第27-37页 |
| 3.1 推荐系统简介 | 第27-29页 |
| 3.2 推荐系统方法 | 第29-31页 |
| 3.3 协同过滤算法简介 | 第31-33页 |
| 3.4 邻居相似度 | 第33-34页 |
| 3.5 推荐评估标准 | 第34-36页 |
| 3.5.1 准确率 | 第34-35页 |
| 3.5.2 覆盖率 | 第35页 |
| 3.5.3 多样性 | 第35页 |
| 3.5.4 新颖性和惊喜度 | 第35-36页 |
| 3.6 小结 | 第36-37页 |
| 第4章 基于聚类和协同过滤技术的预测方法 | 第37-59页 |
| 4.1 聚类分析 | 第37-45页 |
| 4.1.1 聚类分析概念 | 第37-38页 |
| 4.1.2 聚类分析分类 | 第38-40页 |
| 4.1.3 聚类分析应用 | 第40-42页 |
| 4.1.4 K均值聚类(K-Means) | 第42-45页 |
| 4.2 模糊聚类 | 第45-50页 |
| 4.2.1 模糊理论的产生 | 第45-47页 |
| 4.2.2 模糊理论的基本概念 | 第47-49页 |
| 4.2.3 模糊C均值聚类(FCM) | 第49-50页 |
| 4.3 协同过滤算法 | 第50-52页 |
| 4.3.1 基于用户协同过滤算法 | 第50-51页 |
| 4.3.2 基于项目协同过滤算法 | 第51-52页 |
| 4.3.3 基于模型协同过滤算法 | 第52页 |
| 4.4 预测算法概述 | 第52-53页 |
| 4.5 基于聚类算法和协同过滤算法的预测方法 | 第53-57页 |
| 4.5.1 基于K均值聚类和学生协同过滤的预测方法 | 第53-55页 |
| 4.5.2 基于模糊C均值聚类和学生协同过滤的预测方法 | 第55-56页 |
| 4.5.3 基于模糊C均值聚类和SlopeOne推荐算法的预测方法 | 第56-57页 |
| 4.6 小结 | 第57-59页 |
| 第5章 实验与结果 | 第59-64页 |
| 5.1 数据集及数据转换 | 第59-60页 |
| 5.2 评估标准 | 第60页 |
| 5.3 实验结果及分析 | 第60-63页 |
| 5.4 小结 | 第63-64页 |
| 结论 | 第64-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71页 |
