改进的基于用户和项目聚类的协同过滤推荐算法
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究内容 | 第14-15页 |
| 1.3 本文的主要工作以及创新之处 | 第15页 |
| 1.4 论文结构 | 第15-17页 |
| 第二章 聚类分析概述 | 第17-31页 |
| 2.1 聚类分析概况 | 第17-20页 |
| 2.1.1 聚类分析的产生背景 | 第17-18页 |
| 2.1.2 聚类分析应用领域 | 第18-20页 |
| 2.1.3 聚类分析的现实意义 | 第20页 |
| 2.2 聚类分析的基本概念 | 第20-26页 |
| 2.2.1 聚类分析的定义 | 第20页 |
| 2.2.2 聚类分析的数据结构 | 第20-22页 |
| 2.2.3 数据对象之间的相似性度量 | 第22-25页 |
| 2.2.4 聚类分析的典型要求 | 第25-26页 |
| 2.3 主要的聚类算法综述 | 第26-30页 |
| 2.3.1 基于划分的方法 | 第26-27页 |
| 2.3.2 基于层次的方法 | 第27-28页 |
| 2.3.3 基于密度的方法 | 第28页 |
| 2.3.4 基于网格的方法 | 第28-29页 |
| 2.3.5 神经网络方法 | 第29页 |
| 2.3.6 统计学方法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 推荐算法概述 | 第31-41页 |
| 3.1 推荐算法概况 | 第31-34页 |
| 3.1.1 推荐算法的研究现状 | 第31-32页 |
| 3.1.2 推荐算法商业应用 | 第32-34页 |
| 3.2 主流推荐算法 | 第34-37页 |
| 3.2.1 基于内容的推荐算法 | 第34-35页 |
| 3.2.2 协同过滤推荐算法 | 第35-36页 |
| 3.2.3 基于模型的推荐算法 | 第36页 |
| 3.2.4 混合推荐算法 | 第36-37页 |
| 3.3 推荐算法评价指标 | 第37-40页 |
| 3.3.1 准确度 | 第37-38页 |
| 3.3.2 覆盖度 | 第38-39页 |
| 3.3.3 新颖性 | 第39页 |
| 3.3.4 多样性 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于用户和项目聚类的协同过滤推荐算法 | 第41-52页 |
| 4.1 相关概念 | 第41-43页 |
| 4.1.1 聚类算法的选取 | 第41页 |
| 4.1.2 推荐效果评测指标的选取 | 第41页 |
| 4.1.3 相似度计算方法 | 第41-43页 |
| 4.1.4 用户-项目评分矩阵 | 第43页 |
| 4.2 算法概述 | 第43-45页 |
| 4.3 算法设计 | 第45-51页 |
| 4.3.1 项目聚类 | 第45-47页 |
| 4.3.2 用户聚类 | 第47-48页 |
| 4.3.3 计算加权预测评分 | 第48-50页 |
| 4.3.4 产生Top-N推荐 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验结果与分析 | 第52-59页 |
| 5.1 实验数据 | 第52-53页 |
| 5.1.1 MovieLens电影评分数据集 | 第52页 |
| 5.1.2 Netflix电影评分数据集 | 第52页 |
| 5.1.3 数据集统计信息 | 第52-53页 |
| 5.2 实验结果 | 第53-58页 |
| 5.2.1 本文算法与对比算法比较 | 第53-56页 |
| 5.2.2 不同聚类数量实验对比 | 第56-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66页 |
