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 |