| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 研究难点 | 第16-17页 |
| 1.4 本文研究内容 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 第2章 推荐系统概述 | 第20-32页 |
| 2.1 规范定义和组成结构 | 第20-22页 |
| 2.2 基于内容的推荐算法 | 第22-24页 |
| 2.3 协同过滤推荐算法 | 第24-31页 |
| 2.3.1 基于用户的协同过滤(UCF) | 第25-28页 |
| 2.3.2 基于项目的协同过滤(ICF) | 第28-29页 |
| 2.3.3 基于模型的协作推荐 | 第29-30页 |
| 2.3.4 协同过滤算法的优缺点 | 第30-31页 |
| 2.4 混合推荐算法 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于K-means的聚类推荐算法 | 第32-45页 |
| 3.1 聚类算法概念及原理 | 第32-33页 |
| 3.2 基于聚类的推荐算法 | 第33-35页 |
| 3.3 K-means聚类算法 | 第35-37页 |
| 3.3.1 距离计算 | 第35-36页 |
| 3.3.2 算法流程 | 第36-37页 |
| 3.4 基于K-means的聚类推荐算法(UCCF) | 第37-40页 |
| 3.4.1 算法设计 | 第37-38页 |
| 3.4.2 聚类过程 | 第38-39页 |
| 3.4.3 查找最近邻过程 | 第39-40页 |
| 3.5 基于PSO和K-means的混合聚类算法(PSO-Kmeans) | 第40-44页 |
| 3.5.1 PSO算法 | 第40-41页 |
| 3.5.2 粒子群的适应度函数 | 第41-42页 |
| 3.5.3 PSO和K-means的混合聚类算法 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于改进PSO和K-means的混合聚类推荐算法 | 第45-57页 |
| 4.1 基于K-means的聚类推荐算法的不足 | 第45-47页 |
| 4.2 改进的混合聚类算法(Ajusted PSO-Kmeans) | 第47-52页 |
| 4.2.1 改进的欧氏距离 | 第47-48页 |
| 4.2.2 改进的粒子速度 | 第48-49页 |
| 4.2.3 改进的学习因子 | 第49-50页 |
| 4.2.4 改进的混合聚类算法流程 | 第50-51页 |
| 4.2.5 算法特点分析 | 第51-52页 |
| 4.3 改进的基于混合聚类的推荐算法(A-UCCF)的设计 | 第52-56页 |
| 4.3.1 改进的Pearson相关系数 | 第52-53页 |
| 4.3.2 改进的聚类推荐算法流程 | 第53-55页 |
| 4.3.3 算法特点分析 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 实验设计及结果分析 | 第57-66页 |
| 5.1 实验准备 | 第57-59页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验数据集 | 第57-58页 |
| 5.1.3 评价指标 | 第58-59页 |
| 5.2 实验结果和分析 | 第59-65页 |
| 5.2.1 改进的混合聚类算法的性能验证 | 第59-63页 |
| 5.2.2 改进的基于混合聚类的推荐算法的准确性验证 | 第63-64页 |
| 5.2.3 改进的基于混合聚类的推荐算法的实时性验证 | 第64-65页 |
| 5.3 本章小结 | 第65-66页 |
| 第6章 结论与展望 | 第66-68页 |
| 6.1 本文研究内容 | 第66-67页 |
| 6.2 前景展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录 | 第72-73页 |
| 后记 | 第73页 |
