基于模糊C均值聚类的协同过滤推荐算法研究
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 第一章 绪论 | 第9-20页 |
| 第一节 研究背景与研究意义 | 第9-10页 |
| 一、研究背景 | 第9-10页 |
| 二、研究意义 | 第10页 |
| 第二节 国内外研究现状 | 第10-17页 |
| 一、推荐系统的应用现状 | 第10-13页 |
| 二、推荐算法的研究现状 | 第13-17页 |
| 第三节 研究内容及框架 | 第17-18页 |
| 一、研究内容 | 第17-18页 |
| 二、研究框架 | 第18页 |
| 第四节 本文可能的创新 | 第18-20页 |
| 第二章 个性化推荐系统和相关算法的阐述 | 第20-33页 |
| 第一节 个性化推荐系统概述 | 第20-22页 |
| 一、个性化推荐系统的分类 | 第20-21页 |
| 二、个性化推荐系统的框架结构 | 第21-22页 |
| 第二节 主要推荐算法的阐述 | 第22-29页 |
| 一、基于内容的推荐算法 | 第22-24页 |
| 二、基于协同过滤的推荐算法 | 第24-28页 |
| 三、混合推荐算法 | 第28-29页 |
| 第三节 模糊C均值聚类算法的阐述 | 第29-33页 |
| 一、模糊聚类概述 | 第29-30页 |
| 二、模糊C-均值聚类算法分析 | 第30-33页 |
| 第三章 协同过滤推荐算法的改进 | 第33-45页 |
| 第一节 问题的提出与分析 | 第33-35页 |
| 一、数据稀疏性问题 | 第33-34页 |
| 二、用户兴趣的时间迁移 | 第34-35页 |
| 第二节 改进思路及方法 | 第35-45页 |
| 一、引入模糊C均值聚类算法 | 第35-40页 |
| 二、考虑用户兴趣随时间变迁的情况 | 第40-43页 |
| 三、基于SFCM和用户兴趣变化的协同过滤推荐算法 | 第43-45页 |
| 第四章 基于SFCM协同过滤算法的实证分析及应用 | 第45-57页 |
| 第一节 实证数据集与环境 | 第45页 |
| 第二节 M1数据集特征分析 | 第45-50页 |
| 一、评分值及其分布情况 | 第46-47页 |
| 二、评价次数分析 | 第47-50页 |
| 第三节 实证结果与分析 | 第50-55页 |
| 一、评价标准 | 第50-51页 |
| 二、相关参数的确定 | 第51-52页 |
| 三、改进后推荐算法有效性实证 | 第52-55页 |
| 第四节 改进算法的应用 | 第55-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 第一节 总结 | 第57-58页 |
| 第二节 展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
