基于聚类的个性化推荐关键技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 章节安排 | 第10-12页 |
| 第2章 关键技术介绍 | 第12-31页 |
| 2.1 数据预处理相关技术 | 第12-15页 |
| 2.1.1 抽样 | 第12-13页 |
| 2.1.2 降维 | 第13-15页 |
| 2.1.2.1 主成分分析 | 第13-14页 |
| 2.1.2.2 奇异值分解 | 第14-15页 |
| 2.2 分类相关技术 | 第15-25页 |
| 2.2.1 有监督的分类技术 | 第15-20页 |
| 2.2.1.1 最近邻技术 | 第15-16页 |
| 2.2.1.2 决策树技术 | 第16-17页 |
| 2.2.1.3 朴素贝叶斯技术 | 第17-19页 |
| 2.2.1.4 人工神经网络技术 | 第19-20页 |
| 2.2.2 无监督的分类技术 | 第20-25页 |
| 2.2.2.1 基于层次的聚类算法 | 第21-22页 |
| 2.2.2.2 基于划分的聚类算法 | 第22-23页 |
| 2.2.2.3 基于密度的聚类算法 | 第23-24页 |
| 2.2.2.4 基于网格的聚类算法 | 第24-25页 |
| 2.3 推荐算法介绍 | 第25-29页 |
| 2.3.1 基于内容的推荐算法 | 第25-26页 |
| 2.3.2 协同过滤推荐算法 | 第26-28页 |
| 2.3.3 基于关联规则的推荐算法 | 第28-29页 |
| 2.3.4 组合推荐算法 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 论文的核心框架 | 第31-38页 |
| 3.1 本论文拟解决问题 | 第31-32页 |
| 3.1.1 推荐系统存在的问题 | 第31页 |
| 3.1.2 本论文解决的问题 | 第31-32页 |
| 3.2 问题的解决方案 | 第32-35页 |
| 3.2.1 基于用户评分矩阵的分解 | 第32-33页 |
| 3.2.2 对相似性矩阵进行分解 | 第33-34页 |
| 3.2.3 稀疏数据的填充 | 第34-35页 |
| 3.3 框架整体设计 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 框架详细设计和实现 | 第38-47页 |
| 4.1 用户复杂度的处理 | 第38-42页 |
| 4.1.1 用户高维度的处理 | 第38-40页 |
| 4.1.2 用户聚类 | 第40-42页 |
| 4.2 信息推荐 | 第42-45页 |
| 4.2.1 稀疏数据填充 | 第42-44页 |
| 4.2.2 个性化推荐 | 第44-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 实验与分析 | 第47-52页 |
| 5.1 系统开发环境 | 第47页 |
| 5.2 实验分析 | 第47-51页 |
| 5.2.1 评价指标 | 第47-48页 |
| 5.2.2 实验过程 | 第48-49页 |
| 5.2.3 实验结果及分析 | 第49-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第6章 工作总结与展望 | 第52-54页 |
| 6.1 研究总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的论文 | 第58-59页 |
| 攻读硕士学位期间参加的科研工作 | 第59-60页 |
| 致谢 | 第60页 |
