基于数据挖掘的个性化推荐系统的研究与设计
| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 目录 | 第5-7页 |
| 第1章 绪论 | 第7-14页 |
| 1.1 推荐引擎的发展 | 第8页 |
| 1.2 推荐系统的研究现状 | 第8-9页 |
| 1.3 推荐系统所面临的问题 | 第9-11页 |
| 1.3.1 冷启动问题 | 第9-10页 |
| 1.3.2 稀疏性问题 | 第10-11页 |
| 1.3.3 推荐系统的安全问题 | 第11页 |
| 1.4 混合式推荐系统 | 第11-12页 |
| 1.5 推荐系统的评价标准 | 第12-13页 |
| 1.6 本研究主要进行的工作及成果 | 第13-14页 |
| 第2章 传统推荐系统的分析研究 | 第14-21页 |
| 2.1 电子商务推荐系统的概念及实现过程 | 第14-15页 |
| 2.2 基于协同过滤的推荐系统 | 第15-19页 |
| 2.2.1 协同过滤技术概述 | 第15-16页 |
| 2.2.2 基于协同过滤的推荐系统的基本原理 | 第16-17页 |
| 2.2.3 基于用户的协同过滤算法 | 第17-18页 |
| 2.2.4 基于项目的协同过滤算法 | 第18-19页 |
| 2.3 基于关联规则的推荐系统 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第3章 推荐系统的相关技术研究 | 第21-31页 |
| 3.1 数据挖掘 | 第21-24页 |
| 3.1.1 数据挖掘技术的主要方法 | 第22-24页 |
| 3.2 主成分分析 | 第24-26页 |
| 3.2.1 主成分分析概述 | 第24页 |
| 3.2.2 主成分分析的具体分析过程 | 第24-26页 |
| 3.3 Fuzzy Art神经网络 | 第26-29页 |
| 3.3.1 Fuzzy Art神经网络概述 | 第26-27页 |
| 3.3.2 Fuzzy Art神经网络实现原理 | 第27-29页 |
| 3.4 KdTree | 第29-30页 |
| 3.4.1 KdTree的基本原理 | 第29-30页 |
| 3.4.2 KdTree的实现步骤 | 第30页 |
| 3.5 本章小结 | 第30-31页 |
| 第4章 推荐引擎的设计 | 第31-42页 |
| 4.1 数据预处理 | 第32-34页 |
| 4.1.1 PCA降维 | 第33-34页 |
| 4.1.2 数据特征分类 | 第34页 |
| 4.2 用户聚类模型 | 第34-37页 |
| 4.3 基于KdTree的KNN | 第37-38页 |
| 4.4 实验结果分析与总结 | 第38-41页 |
| 4.4.1 实验结果 | 第39页 |
| 4.4.2 实验结果分析 | 第39-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第5章 总结与展望 | 第42-44页 |
| 5.1 论文总结 | 第42页 |
| 5.2 今后要开展的工作 | 第42-44页 |
| 致谢 | 第44-46页 |
| 参考文献 | 第46-49页 |
