首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于改进K-means聚类和RBM的协同过滤算法

摘要第4-6页
abstract第6-7页
第1章 绪论第10-16页
    1.1 研究背景和意义第10-12页
    1.2 国内外研究进展第12-14页
        1.2.1 推荐系统的研究进展第12-13页
        1.2.2 RBM的研究进展第13-14页
    1.3 本文的工作第14页
    1.4 本文的组织结构第14-16页
第2章 传统推荐算法介绍第16-32页
    2.1 推荐系统介绍第16-20页
        2.1.1 推荐系统概念第16-18页
        2.1.2 推荐算法类别第18-20页
    2.2 协同过滤算法介绍第20-27页
        2.2.1 基于用户的协同过滤算法第20-23页
        2.2.2 基于项目的协同过滤算法第23-27页
    2.3 基于矩阵分解的推荐算法第27-29页
        2.3.1 基于矩阵分解的算法介绍第27-28页
        2.3.2 梯度下降法第28-29页
    2.4 评价指标第29-30页
    2.5 本章小结第30-32页
第3章 基于改进K-MEANS聚类算法的协同过滤第32-41页
    3.1 优化背景第32页
    3.2 K-MEANS聚类算法第32-33页
    3.3 基于信任关系和时间衰减的K-MEANS算法第33-36页
    3.4 实验结果和分析第36-40页
        3.4.1 实验数据第36-37页
        3.4.2 评价标准第37-38页
        3.4.3 实验结果与分析第38-40页
    3.5 本章小结第40-41页
第4章 基于TCKMEANS-CF和RBM的协同过滤推荐算法第41-54页
    4.1 优化背景第41页
    4.2 基于深度学习的推荐系统第41-44页
        4.2.1 自编码器第41-42页
        4.2.2 循环神经网络第42-44页
    4.3 受限玻尔兹曼机RBM第44-46页
        4.3.1 模型第44-45页
        4.3.2 学习算法第45-46页
    4.4 基于RBM的协同过滤第46-49页
    4.5 基于TCKMEANS-CF和RBM的协同过滤第49-51页
    4.6 实验结果与分析第51-53页
    4.7 本章小结第53-54页
第5章 总结与展望第54-55页
    5.1 本文总结第54页
    5.2 未来展望第54-55页
参考文献第55-60页
作者简介及在学期间所取得的科研成果第60-61页
致谢第61页

论文共61页,点击 下载论文
上一篇:基于Lexical R-CNN的视频描述
下一篇:在线教育论坛数据可视化研究与实践