| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 数据挖掘技术的国内外研究现状与展望 | 第11-14页 |
| 1.3 课题的来源及研究内容 | 第14-16页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-16页 |
| 第2章 聚类分析技术综述 | 第16-24页 |
| 2.1 聚类的概念与过程 | 第16页 |
| 2.2 聚类分析中的数据结构与距离 | 第16-19页 |
| 2.2.1 聚类分析中的数据结构 | 第17-18页 |
| 2.2.2 聚类分析中的相似度表示 | 第18-19页 |
| 2.3 聚类分析的分类 | 第19-23页 |
| 2.3.1 基于划分的方法 | 第19-20页 |
| 2.3.2 基于层次的方法 | 第20-21页 |
| 2.3.3 基于密度的方法 | 第21-22页 |
| 2.3.4 基于网格的方法 | 第22-23页 |
| 2.3.5 增量聚类方法 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 可变网格优化的k-means聚类算法研究 | 第24-39页 |
| 3.1 传统k-means聚类算法 | 第24-25页 |
| 3.1.1 传统k-means算法基本思想 | 第24页 |
| 3.1.2 传统k-means算法聚类过程 | 第24-25页 |
| 3.2 可变网格优化的k-means聚类新算法 | 第25-28页 |
| 3.2.1 基于可变网格的k-means初始中心点选取 | 第25-26页 |
| 3.2.2 基本定义 | 第26页 |
| 3.2.3 VGOK-means基本思想及算法过程 | 第26-28页 |
| 3.3 基于最大网格密度不唯一的k-means算法 | 第28-31页 |
| 3.3.1 最大网格密度不唯一的初始中心点选取 | 第28页 |
| 3.3.2 相关定义和规则 | 第28-29页 |
| 3.3.3 基于最大网格密度不唯一的k-means算法描述 | 第29-31页 |
| 3.4 基于网格的动态增量k-means聚类 | 第31-33页 |
| 3.5 聚类有效性指标的k值优化 | 第33-35页 |
| 3.5.1 最佳聚类数的搜索范围 | 第33页 |
| 3.5.2 聚类有效性指标的作用 | 第33-34页 |
| 3.5.3 基于可变网格优化的k-means聚类和BWP指标的优化算法 | 第34-35页 |
| 3.6 实验结果与分析 | 第35-38页 |
| 3.6.1 基于可变网格优化的k-means聚类算法实验分析 | 第35-36页 |
| 3.6.2 BWP指标的k值选取分析 | 第36-38页 |
| 3.7 本章小结 | 第38-39页 |
| 第4章 可变网格聚类的协同过滤推荐算法研究 | 第39-50页 |
| 4.1 基于可变网格的用户聚类算法 | 第39-40页 |
| 4.2 协同过滤推荐技术 | 第40-41页 |
| 4.3 基于可变网格的协同过滤推荐算法 | 第41-43页 |
| 4.3.1 相关定义 | 第41-42页 |
| 4.3.2 可变网格的协同过滤推荐算法过程 | 第42-43页 |
| 4.4 改进的可变网格协同过滤推荐方法 | 第43-45页 |
| 4.5 实验分析 | 第45-49页 |
| 4.5.1 数据集 | 第45-46页 |
| 4.5.2 评估标准 | 第46-47页 |
| 4.5.3 实验结果与分析 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间所发表的学术论文 | 第55-56页 |
| 致谢 | 第56页 |
