首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于Kruskal算法改进的K-means聚类和用户兴趣变化的推荐系统研究

摘要第5-6页
Abstract第6-7页
第1章 绪论第11-19页
    1.1 研究背景及意义第11-13页
    1.2 推荐系统国内外研究现状第13-15页
    1.3 本文的主要研究内容第15-16页
    1.4 本文的组织结构第16-19页
第2章 个性化推荐系统理论基础知识第19-31页
    2.1 个性化推荐系统简介第19-23页
        2.1.1 协同过滤推荐系统第20-21页
        2.1.2 基于内容的推荐系统第21-22页
        2.1.3 基于知识的推荐系统第22页
        2.1.4 混合推荐系统第22页
        2.1.5 其他推荐算法简介第22-23页
    2.2 协同过滤推荐技术第23-27页
        2.2.1 基于用户的协同过滤推荐算法第24-25页
        2.2.2 基于项目的协同过滤推荐算法第25-27页
    2.3 推荐算法的评价指标第27-28页
        2.3.1 定性描述指标第27页
        2.3.2 定量描述指标第27-28页
    2.4 推荐系统面临的问题第28-30页
        2.4.1 评分矩阵稀疏性问题第28-29页
        2.4.2 冷启动问题第29页
        2.4.3 实时性和可扩展性问题第29-30页
    2.5 本章小结第30-31页
第3章 基于Kruskal算法改进的K-means聚类研究及应用第31-43页
    3.1 聚类分析概念第31页
    3.2 K-means聚类算法第31-37页
        3.2.1 K-means聚类算法基本原理第31-33页
        3.2.2 K-means聚类算法实验和结果分析第33-37页
        3.2.3 K-means聚类算法的优缺点第37页
    3.3 基于Kruskal算法而改进的K-Means聚类算法研究第37-39页
        3.3.1 Kruskal算法构造最小生成树(MST)原理第37-38页
        3.3.2 基于Kruskal算法改进的K-Means聚类算法设计第38-39页
    3.4 改进的K-means聚类算法在评分矩阵预填充中的应用第39-41页
        3.4.1 基于项目的聚类及评分矩阵预填充第39-40页
        3.4.2 基于用户的聚类及评分矩阵预填充第40-41页
    3.5 本章总结第41-43页
第4章 基于用户兴趣变化的推荐算法研究第43-49页
    4.1 时间因素引起的用户兴趣变化介绍第43-44页
    4.2 综合时间权重函数第44-46页
    4.3 引入时间权重函数的推荐算法描述第46-47页
    4.4 本章小结第47-49页
第5章 实验设计及结果分析第49-57页
    5.1 实验环境与实验数据集第49页
    5.2 实验评价标准第49-50页
    5.3 实验与结果分析第50-55页
        5.3.1 确定时间权重函数参数0的值第50-51页
        5.3.2 不同稀疏度之下的MAE值比较第51-53页
        5.3.3 不同稀疏度之下的RMSE值比较第53-55页
    5.4 实验结果分析第55页
    5.5 本章小结第55-57页
第6章 总结与展望第57-59页
    6.1 总结第57-58页
    6.2 对未来工作的展望第58-59页
致谢第59-61页
参考文献第61-65页
附录A (攻读学位期间发表学术成果)第65-67页
附录B (攻读学位期间参与项目工作)第67页

论文共67页,点击 下载论文
上一篇:BP-Fisher判别分析法
下一篇:基于不变矩红外线指静脉图像的识别方法研究