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

基于聚类的协同过滤推荐算法的研究

摘要第1-5页
ABSTRACT第5-8页
第一章 绪论第8-12页
 1-1 课题的研究背景和研究意义第8-9页
 1-2 电子商务推荐系统和推荐算法的发展现状第9-10页
  1-2-1 电子商务推荐系统国内外发展现状第9页
  1-2-2 个性化和个性化推荐第9页
  1-2-3 个性化推荐算法的研究现状第9-10页
 1-3 个性化推荐系统面临的挑战第10页
 1-4 论文的整体结构和工作安排第10-12页
第二章 电子商务推荐系统及推荐算法的研究第12-24页
 2-1 电子商务推荐系统分析第12-14页
  2-1-1 电子商务推荐系统的研究内容第12页
  2-1-2 电子商务推荐系统结构框架第12-14页
 2-2 当前推荐算法的研究与分析第14-17页
  2-2-1 简单的推荐算法第14页
  2-2-2 基于内容的推荐技术第14-15页
  2-2-3 基于关联规则的推荐技术第15页
  2-2-4 基于协同过滤算法的推荐第15-16页
  2-2-5 组合推荐算法第16页
  2-2-6 各种推荐技术的比较第16-17页
 2-3 协同过滤(Collaborative Filter)推荐算法的研究第17-21页
  2-3-1 基于用户的协同过滤算法第18-20页
  2-3-2 基于项目的协同过滤算法第20-21页
 2-4 传统的协同过滤算法存在的问题第21-23页
  2-4-1 冷开始问题第21页
  2-4-2 数据稀疏性问题第21-22页
  2-4-3 可扩展性问题第22-23页
  2-4-4 项目多内容问题第23页
 2-5 本章小结第23-24页
第三章 改进的基于聚类的协同过滤算法研究第24-38页
 3-1 协同过滤推荐算法中聚类分析的研究第24-25页
  3-1-1 聚类分析第24页
  3-1-2 K-means 算法的基本思想第24-25页
  3-1-3 K-means 算法的步骤与分析第25页
  3-1-4 K-means 算法的优缺点第25页
 3-2 基于聚类的协同过滤技术第25-28页
  3-2-1 基于用户聚类的协同过滤技术第25-26页
  3-2-2 基于项目聚类的协同过滤技术第26-27页
  3-2-3 基于用户聚类和项目聚类相结合的协同过滤技术第27-28页
 3-3 项目多内容问题的研究第28-31页
  3-3-1 项目多内容问题第28-29页
  3-3-2 降低数据稀疏性的方法第29页
  3-3-3 Slope One 算法第29页
  3-3-4 Slope One 算法的加权改进第29-31页
 3-4 基于聚类和项目多内容相结合的协同过滤推荐算法第31-33页
  3-4-1 改进算法的设计思想第31页
  3-4-2 改进算法的设计流程图第31-32页
  3-4-3 改进算法的主要实现步骤第32-33页
  3-4-4 改进算法的说明第33页
 3-5 学校图书馆个性化推荐功能的研究第33-37页
  3-5-1 个性化推荐功能的分析第33页
  3-5-2 个性化推荐功能的设计第33-36页
  3-5-3 个性化推荐功能的实现架构第36-37页
  3-5-4 个性化推荐功能实施的可行性分析第37页
 3-6 本章小结第37-38页
第四章 实验设计和结果验证分析第38-46页
 4-1 实验数据集介绍第38-40页
  4-1-1 实验数据集介绍第38页
  4-1-2 论文实验数据集的选取第38-39页
  4-1-3 实验数据和运行环境第39-40页
 4-2 实验设计第40-41页
  4-2-1 实验的运行环境第40页
  4-2-2 对比实验的度量指标第40页
  4-2-3 实验过程第40-41页
 4-3 实验结果分析第41-45页
 4-4 本章小结第45-46页
第五章 总结与展望第46-47页
 5-1 论文研究总结第46页
 5-2 进一步工作和展望第46-47页
参考文献第47-50页
致谢第50页

论文共50页,点击 下载论文
上一篇:复杂环境下的取走物检测
下一篇:高校学生信息管理系统的设计与实现