蚁群聚类算法及其在推荐系统中的应用
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第6-14页 |
| ·引言 | 第6-7页 |
| ·国内外相关领域的研究现状 | 第7-11页 |
| ·Web数据挖掘 | 第7-9页 |
| ·推荐系统概述 | 第9-10页 |
| ·群体智能的研究现状 | 第10-11页 |
| ·研究内容 | 第11-12页 |
| ·研究意义 | 第12-13页 |
| ·内容安排 | 第13-14页 |
| 第2章 相关理论 | 第14-26页 |
| ·Agent与多Agent系统 | 第14-17页 |
| ·Agent的定义 | 第14页 |
| ·Agent的分类 | 第14-15页 |
| ·多Agent系统 | 第15-16页 |
| ·Agent在推荐系统中的应用 | 第16-17页 |
| ·聚类技术 | 第17-26页 |
| ·聚类问题描述 | 第18页 |
| ·相似度 | 第18-19页 |
| ·数据结构 | 第19-20页 |
| ·聚类分析的度量标准 | 第20-21页 |
| ·有的聚类技术 | 第21-26页 |
| 第3章 蚁群聚类算法 | 第26-36页 |
| ·蚁群聚类算法的发展 | 第26页 |
| ·基本算法 | 第26-27页 |
| ·蚂蚁Agent的特性 | 第27-29页 |
| ·间接通信的能力 | 第27页 |
| ·记忆存贮的能力 | 第27-28页 |
| ·自适应的能力 | 第28页 |
| ·停滞控制 | 第28页 |
| ·刻度因子α自适应调整 | 第28页 |
| ·移动能力 | 第28-29页 |
| ·算法描述 | 第29-30页 |
| ·参数集的讨论 | 第30-32页 |
| ·参数σ对算法的影响 | 第30-31页 |
| ·概率阀值对算法的影响 | 第31-32页 |
| ·孤立点 | 第32-33页 |
| ·改进蚁群聚类算法ACAO | 第33-34页 |
| ·实验评价 | 第34-36页 |
| 第4章 基于用户的协作推荐系统 | 第36-42页 |
| ·协作过滤 | 第36-37页 |
| ·数据的预处理 | 第37页 |
| ·用户兴趣模型 | 第37-38页 |
| ·评分数据矩阵 | 第38-39页 |
| ·学习和更新用户的兴趣 | 第39页 |
| ·用户兴趣的时效性 | 第39-40页 |
| ·预测计算 | 第40-41页 |
| ·评估函数 | 第41-42页 |
| 第5章 基于多Agent的协作推荐系统 | 第42-46页 |
| ·系统结构 | 第42页 |
| ·模块功能 | 第42-43页 |
| ·算法ACAO在图书推荐系统中的应用 | 第43-46页 |
| ·用户数据 | 第43-44页 |
| ·协作过滤结果分析 | 第44-46页 |
| 第6章 结论和展望 | 第46-48页 |
| ·工作小结 | 第46页 |
| ·未来工作展望 | 第46-48页 |
| 参考文献 | 第48-53页 |
| 致谢 | 第53页 |
