基于聚类的协同过滤推荐算法研究
| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的主要研究内容和组织结构 | 第12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 推荐系统简介 | 第13-26页 |
| 2.1 推荐系统概述 | 第13-14页 |
| 2.2 推荐系统分类 | 第14-15页 |
| 2.2.1 推荐对象的角度 | 第14页 |
| 2.2.2 推荐技术角度 | 第14页 |
| 2.2.3 推荐策略角度 | 第14-15页 |
| 2.3 推荐相关技术 | 第15-16页 |
| 2.3.1 信息检索和信息过滤技术 | 第15页 |
| 2.3.2 数据挖掘技术 | 第15-16页 |
| 2.4 推荐算法 | 第16-21页 |
| 2.4.1 个性化推荐算法简介 | 第17-21页 |
| 2.4.2 个性化推荐算法比较 | 第21页 |
| 2.5 推荐系统的测试方式和评价标准 | 第21-25页 |
| 2.5.1 推荐效果测试方式 | 第21-22页 |
| 2.5.2 推荐系统的评价标准 | 第22-25页 |
| 2.6 本章小结 | 第25-26页 |
| 3 协同过滤推荐算法研究 | 第26-35页 |
| 3.1 协同过滤推荐技术概述 | 第26-29页 |
| 3.1.1 协同过滤推荐技术流程 | 第26-28页 |
| 3.1.2 协同过滤推荐技术主要问题 | 第28-29页 |
| 3.2 协同过滤算法分类 | 第29-31页 |
| 3.2.1 基于用户的协同过滤推荐(UB-CF) | 第29-30页 |
| 3.2.2 基于项目的协同过滤推荐(IB-CF) | 第30页 |
| 3.2.3 基于模型的协同过滤推荐 | 第30-31页 |
| 3.3 聚类在协同过滤算法中的应用 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于聚类的ItemRank算法改进 | 第35-43页 |
| 4.1 Item Rank算法基本思想 | 第35页 |
| 4.2 改进算法出发点和流程 | 第35-36页 |
| 4.2.1 改进算法出发点 | 第35-36页 |
| 4.2.2 改进算法基本流程和设计 | 第36页 |
| 4.3 自构建聚类（SCC）算法 | 第36-38页 |
| 4.4 改进的Item Rank算法 | 第38-42页 |
| 4.4.1 标记用户类标签 | 第39-40页 |
| 4.4.2 降维 | 第40-41页 |
| 4.4.3 创建关联图 | 第41页 |
| 4.4.4 随机游走 | 第41-42页 |
| 4.4.5 转换 | 第42页 |
| 4.5 本章小结 | 第42-43页 |
| 5 实验结果及分析 | 第43-53页 |
| 5.1 实验评价标准 | 第43页 |
| 5.2 实验数据集与环境 | 第43-44页 |
| 5.2.1 实验环境 | 第43页 |
| 5.2.2 实验数据集 | 第43-44页 |
| 5.3 对比算法描述 | 第44-45页 |
| 5.4 实验设计与结果分析 | 第45-51页 |
| 5.4.1 改进算法时间复杂度分析 | 第45页 |
| 5.4.2 实验结果分析 | 第45-51页 |
| 5.5 本章小结 | 第51-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 本文总结 | 第53-54页 |
| 6.2 研究展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间发表的论文 | 第61页 |
| C. 作者在攻读硕士学位期间的软件著作权 | 第61页 |
