基于数据挖掘的设备推荐专家系统研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 1 绪论 | 第10-13页 |
| 1.1 课题研究的背景 | 第10-11页 |
| 1.1.1 科研信息管理与设备申购 | 第10页 |
| 1.1.2 推荐系统及应用现状 | 第10-11页 |
| 1.2 研究内容 | 第11-12页 |
| 1.3 论文的内容安排 | 第12-13页 |
| 2 数据挖掘与推荐系统的相关知识背景 | 第13-23页 |
| 2.1 数据挖掘技术 | 第13-17页 |
| 2.1.1 数据挖掘的定义 | 第13-14页 |
| 2.1.2 数据挖掘的常规流程 | 第14-15页 |
| 2.1.3 数据挖掘的技术方法 | 第15-16页 |
| 2.1.4 数据挖掘的功用 | 第16-17页 |
| 2.2 推荐系统 | 第17-22页 |
| 2.2.1 推荐系统概述 | 第17-18页 |
| 2.2.2 推荐系统的数学定义 | 第18-19页 |
| 2.2.3 推荐系统的研究方向 | 第19-20页 |
| 2.2.4 推荐系统的研究现状 | 第20-21页 |
| 2.2.5 用户行为数据 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 推荐系统算法介绍 | 第23-30页 |
| 3.1 个性化推荐的算法简述 | 第23-27页 |
| 3.1.1 基于关联规则的推荐 | 第23页 |
| 3.1.2 基于内容过滤的推荐 | 第23-24页 |
| 3.1.3 基于协同过滤的推荐 | 第24-26页 |
| 3.1.4 各类推荐算法的比较 | 第26-27页 |
| 3.2 推荐算法的研究目的 | 第27页 |
| 3.3 各种推荐机制的评估方法 | 第27-29页 |
| 3.3.1 用户满意度 | 第27-28页 |
| 3.3.2 预测准确率 | 第28页 |
| 3.3.3 其他方法 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于数据挖掘的设备推荐专家系统算法设计 | 第30-39页 |
| 4.1 数据规模与算法依据分析 | 第30-31页 |
| 4.2 特征向量相似度分析 | 第31页 |
| 4.3 基于关键字的内容过滤设备推荐算法 | 第31-34页 |
| 4.3.1 用户兴趣模型 | 第32-34页 |
| 4.3.2 产生推荐 | 第34页 |
| 4.4 基于专家用户的协同过滤设备推荐算法 | 第34-37页 |
| 4.4.1 用户信息表示 | 第35-36页 |
| 4.4.2 最近邻查询 | 第36-37页 |
| 4.4.3 推荐产生 | 第37页 |
| 4.5 在推荐算法中加入聚类应用 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 5 基于数据挖掘的设备推荐专家系统系统设计 | 第39-67页 |
| 5.1 数据层——数据分析 | 第41-43页 |
| 5.2 核心推荐引擎——数据挖掘方法的实施 | 第43-62页 |
| 5.2.1 基于关键字的内容过滤设备推荐的实现 | 第43-49页 |
| 5.2.2 基于专家用户的协同过滤设备推荐的实现 | 第49-59页 |
| 5.2.3 对推荐结果进行排序 | 第59页 |
| 5.2.4 类设计 | 第59-62页 |
| 5.3 用户界面交互设计 | 第62-63页 |
| 5.4 系统评估与结论 | 第63-66页 |
| 5.5 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 研究总结 | 第67页 |
| 6.2 未来进一步工作的展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72-73页 |
| 个人简历 | 第73页 |
