结合用户聚类的协同过滤推荐算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-15页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 推荐系统面临的问题 | 第11-12页 |
| 1.1.3 研究现状 | 第12-15页 |
| 1.2 主要研究内容 | 第15-16页 |
| 1.3 论文结构安排 | 第16-17页 |
| 2 协同过滤推荐算法 | 第17-23页 |
| 2.1 协同过滤推荐算法 | 第17页 |
| 2.2 基于用户的协同过滤推荐算法 | 第17-19页 |
| 2.2.1 算法流程 | 第17-18页 |
| 2.2.2 用户相似度度量标准 | 第18-19页 |
| 2.2.3 评分公式 | 第19页 |
| 2.3 分类准确率指标 | 第19-20页 |
| 2.4 实验数据说明 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 结合拓扑势的用户聚类算法 | 第23-35页 |
| 3.1 概述 | 第23页 |
| 3.2 拓扑势 | 第23-24页 |
| 3.3 Kmeans聚类 | 第24-26页 |
| 3.4 自适应K-means聚类算法 | 第26-28页 |
| 3.4.1 相关定义 | 第26-27页 |
| 3.4.2 SKCA算法步骤 | 第27-28页 |
| 3.4.3 算法说明 | 第28页 |
| 3.5 SKCA的应用 | 第28-29页 |
| 3.6 SKCA算法实验仿真 | 第29-32页 |
| 3.6.1 实验方案 | 第29页 |
| 3.6.2 实验运行环境及评价指标 | 第29页 |
| 3.6.3 参数选择 | 第29-30页 |
| 3.6.4 实验结果分析 | 第30-32页 |
| 3.7 本章小结 | 第32-35页 |
| 4 结合用户评分习惯的相似度改进算法 | 第35-45页 |
| 4.1 概述 | 第35-36页 |
| 4.2 Logistic函数 | 第36页 |
| 4.3 结合用户评分习惯的加权处理 | 第36-38页 |
| 4.3.1 用户习惯量化处理 | 第37页 |
| 4.3.2 反常评分权值数值化 | 第37-38页 |
| 4.4 用户共同评分比重及评分差值处理 | 第38-40页 |
| 4.5 RWDS算法实验仿真 | 第40-44页 |
| 4.5.1 实验方案 | 第40页 |
| 4.5.2 实验数据及运行环境 | 第40页 |
| 4.5.3 实验结果分析 | 第40-44页 |
| 4.6 本章小结 | 第44-45页 |
| 5 结合用户聚类的协同过滤推荐算法 | 第45-49页 |
| 5.1 引言 | 第45页 |
| 5.2 算法流程 | 第45-46页 |
| 5.3 结合用户聚类的协同过滤推荐算法实验仿真 | 第46-48页 |
| 5.3.1 实验方案 | 第46-47页 |
| 5.3.2 实验数据及运行环境 | 第47页 |
| 5.3.3 实验结果及分析 | 第47-48页 |
| 5.4 本章小结 | 第48-49页 |
| 6 总结与展望 | 第49-51页 |
| 6.1 本文工作总结 | 第49-50页 |
| 6.2 未来工作展望 | 第50-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第57页 |
