基于用户兴趣的个性化协同过滤推荐算法研究
| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-16页 |
| ·研究背景及意义 | 第10-12页 |
| ·个性化推荐技术现状 | 第12-14页 |
| ·本文的主要研究内容 | 第14-15页 |
| ·本文组织结构 | 第15-16页 |
| 第2章 个性化协同过滤推荐技术概述 | 第16-26页 |
| ·协同过滤推荐算法的发展 | 第16-23页 |
| ·基于内存的协同过滤推荐算法 | 第16-18页 |
| ·基于模型的协同过滤推荐算法 | 第18-22页 |
| ·混合的协同过滤推荐算法 | 第22页 |
| ·协同过滤推荐系统的发展 | 第22-23页 |
| ·协同过滤推荐技术存在的问题和挑战 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 基于用户兴趣的聚类算法研究 | 第26-34页 |
| ·聚类相关知识介绍 | 第26-27页 |
| ·模糊 C-MEANS 聚类算法 | 第27-28页 |
| ·万有引力的基本原理 | 第28-30页 |
| ·基于引力的模糊 C 均值聚类算法 | 第30-33页 |
| ·基本概念定义 | 第30页 |
| ·黑洞问题的解决 | 第30页 |
| ·初始点的选取 | 第30-32页 |
| ·引力权重计算 | 第32页 |
| ·基于引力的模糊 C 均值聚类算法 | 第32-33页 |
| ·改进的聚类算法对基于用户兴趣推荐算法的应用 | 第33页 |
| ·本章小结 | 第33-34页 |
| 第4章 基于用户兴趣的推荐算法研究 | 第34-49页 |
| ·基于用户的协同过滤推荐算法 | 第34-37页 |
| ·用户相似性度量算法 | 第35-36页 |
| ·度量算法分析 | 第36-37页 |
| ·基于用户兴趣的协同过滤推荐算法 | 第37-41页 |
| ·用户兴趣分析 | 第37页 |
| ·算法流程 | 第37-38页 |
| ·兴趣项目集分类 | 第38页 |
| ·用户局部认知度 | 第38-39页 |
| ·用户全局认知度 | 第39页 |
| ·用户认知度的作用 | 第39-40页 |
| ·认知度加权的兴趣相似性计算 | 第40-41页 |
| ·推荐算法 | 第41页 |
| ·基于用户兴趣的个性化推荐算法 | 第41-47页 |
| ·时间策略 | 第42-43页 |
| ·数据的预处理 | 第43-44页 |
| ·构建用户偏好表 | 第44-46页 |
| ·兴趣相似性计算 | 第46页 |
| ·推荐算法 | 第46-47页 |
| ·混合的个性化协同过滤推荐算法 | 第47页 |
| ·本章小结 | 第47-49页 |
| 第5章 实验与结果分析 | 第49-56页 |
| ·实验环境及数据来源 | 第49-50页 |
| ·实验结果评价指标 | 第50页 |
| ·实验结果与分析 | 第50-55页 |
| ·FCM 算法与 GSAFCM 算法的比较 | 第50-51页 |
| ·基于用户兴趣的推荐算法研究实验 | 第51-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65页 |
