| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 高维数据挖掘 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 聚类的研究现状 | 第10-11页 |
| 1.2.2 集成聚类的研究现状 | 第11-12页 |
| 1.2.3 高维数据聚类的研究现状 | 第12-13页 |
| 1.3 研究的目的及意义 | 第13-14页 |
| 1.4 本文的主要内容 | 第14-15页 |
| 1.5 本文的结构 | 第15-16页 |
| 第二章 聚类与集成聚类 | 第16-29页 |
| 2.1 聚类分析 | 第16-20页 |
| 2.1.1 聚类分析概述 | 第16-17页 |
| 2.1.2 聚类分析中的相似性度量 | 第17-18页 |
| 2.1.3 聚类方法的分类 | 第18-20页 |
| 2.2 集成聚类 | 第20-28页 |
| 2.2.1 集成聚类概述 | 第20-22页 |
| 2.2.2 差异性聚类结果的产生方法 | 第22-23页 |
| 2.2.3 一致性函数设计方法 | 第23-26页 |
| 2.2.4 评价方法 | 第26-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于样本加权的 k-means 聚类算法 | 第29-41页 |
| 3.1 k-means 聚类算法 | 第29-32页 |
| 3.1.1 k-means 算法的基本思想 | 第29页 |
| 3.1.2 k-means 算法的主要步骤 | 第29-31页 |
| 3.1.3 k-means 算法的优缺点 | 第31-32页 |
| 3.2 基于样本加权的 k-means 聚类算法 | 第32-40页 |
| 3.2.1 样本加权对聚类算法的影响 | 第32-33页 |
| 3.2.2 W-O-k-means 算法的基本原理 | 第33页 |
| 3.2.3 权重的确定 | 第33-36页 |
| 3.2.4 算法的主要步骤及流程 | 第36-37页 |
| 3.2.5 实验结果与分析 | 第37-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第四章 基于样本加权的相似性划分聚类集成算法 | 第41-56页 |
| 4.1 谱聚类 | 第41-48页 |
| 4.1.1 谱图理论 | 第41-42页 |
| 4.1.2 图划分准则 | 第42-44页 |
| 4.1.3 经典的谱聚类算法 | 第44-48页 |
| 4.2 基于样本加权的相似度划分算法 | 第48-52页 |
| 4.2.1 Boosting | 第48-49页 |
| 4.2.2 样本加权的相似性划分算法（WOSP） | 第49-52页 |
| 4.3 实验分析与对比 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 样本加权聚类集成算法在个性化推荐的应用 | 第56-60页 |
| 5.1 个性化推荐的定义 | 第56-57页 |
| 5.2 基于 WOSP2 的个性化推荐算法 | 第57-58页 |
| 5.3 个性化推荐算法实验与分析 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间取得的研究成果 | 第68-69页 |
| 致谢 | 第69-70页 |
| 附件 | 第70页 |