基于粒子群优化的项聚类推荐算法研究
| 中文摘要 | 第1-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·研究背景与研究意义 | 第8-9页 |
| ·推荐系统国内外现状 | 第9-13页 |
| ·研究现状简介 | 第9-11页 |
| ·推荐系统实例简介 | 第11-12页 |
| ·我国电子商务推荐系统存在问题 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 2 电子商务推荐系统及其相关技术简介 | 第14-30页 |
| ·数据挖掘简介 | 第14-16页 |
| ·数据挖掘分类 | 第14-16页 |
| ·数据挖掘方法 | 第16页 |
| ·Web 数据挖掘 | 第16-19页 |
| ·Web 挖掘分类 | 第17-18页 |
| ·Web 数据挖掘的数据源 | 第18-19页 |
| ·电子商务中web 数据挖掘的应用 | 第19页 |
| ·电子商务推荐系统简介 | 第19-23页 |
| ·数据挖掘与推荐系统 | 第19-20页 |
| ·电子商务推荐系统研究内容 | 第20-21页 |
| ·电子商务推荐系统的输入与输出 | 第21-23页 |
| ·K-means 聚类算法 | 第23-26页 |
| ·K-means 算法的基本思想 | 第23-25页 |
| ·K-means 算法存在的问题 | 第25-26页 |
| ·粒子群算法简介 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 3 电子商务推荐算法简介 | 第30-41页 |
| ·推荐算法数据集示例 | 第30-31页 |
| ·推荐算法简介 | 第31-33页 |
| ·User-based 协同过滤推荐算法 | 第33-36页 |
| ·Item-based 协同过滤推荐算法 | 第36-39页 |
| ·Cluster-based 协同过滤推荐算法 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 4 基于粒子群优化的项聚类推荐算法 | 第41-50页 |
| ·基于K-means 的项目聚类推荐算法 | 第41-42页 |
| ·基于粒子群优化的项目聚类推荐算法 | 第42-48页 |
| ·形成用户—项目矩阵 | 第43-44页 |
| ·度量相似性 | 第44-45页 |
| ·计算邻居集合 | 第45-48页 |
| ·产生预测 | 第48页 |
| ·形成推荐 | 第48页 |
| ·本章小结 | 第48-50页 |
| 5 实验实现与实验分析 | 第50-53页 |
| ·实验数据集和评价标准 | 第50页 |
| ·实验过程 | 第50-51页 |
| ·实验结果及分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 6 结束语 | 第53-54页 |
| ·论文的主要工作 | 第53页 |
| ·进一步努力的方向 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 附录 | 第59页 |
