基于用户兴趣聚类的协同过滤算法的研究与实现
中文摘要 | 第3-5页 |
英文摘要 | 第5-6页 |
1 绪论 | 第9-15页 |
1.1 研究背景与意义 | 第9-12页 |
1.2 主要内容和论文结构 | 第12-14页 |
1.2.1 主要研究内容 | 第12-13页 |
1.2.2 本文论文结构 | 第13-14页 |
1.3 本章小结 | 第14-15页 |
2 相关理论概述 | 第15-28页 |
2.1 推荐算法简介 | 第15-20页 |
2.2 用户兴趣建模 | 第20-24页 |
2.3 聚类算法 | 第24-27页 |
2.3.1 聚类的概念 | 第24-25页 |
2.3.2 常用聚类算法介绍 | 第25-27页 |
2.4 本章小结 | 第27-28页 |
3 基于兴趣圈聚类的推荐算法设计 | 第28-41页 |
3.1 原始数据预处理 | 第28-31页 |
3.2 聚类算法的实现 | 第31-35页 |
3.2.1 初始聚类中心的选择 | 第31-32页 |
3.2.2 K-means聚类过程 | 第32-33页 |
3.2.3 蚁群聚类过程 | 第33-35页 |
3.3 协同过滤推荐过程 | 第35-38页 |
3.4 算法整体流程描述 | 第38-40页 |
3.5 本章小结 | 第40-41页 |
4 实验设计与结果分析 | 第41-54页 |
4.1 实验数据集 | 第41页 |
4.2 评价指标 | 第41-42页 |
4.3 实验设计 | 第42-43页 |
4.4 实验结果分析 | 第43-53页 |
4.4.1 聚类算法收敛的步数 | 第49-50页 |
4.4.2 聚类算法的系统性能表现 | 第50-51页 |
4.4.3 算法复杂度以及运行中的优化 | 第51-53页 |
4.5 本章小结 | 第53-54页 |
5 总结与展望 | 第54-56页 |
5.1 全文总结 | 第54-55页 |
5.2 未来展望 | 第55-56页 |
致谢 | 第56-57页 |
参考文献 | 第57-59页 |