基于粗糙集的协同推荐模型研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第1章 绪论 | 第10-14页 |
| ·论文研究背景 | 第10-12页 |
| ·电子商务个性化推荐系统 | 第10-11页 |
| ·个性化推荐技术 | 第11-12页 |
| ·论文的研究意义 | 第12页 |
| ·论文所做工作和创新 | 第12-13页 |
| ·论文结构 | 第13-14页 |
| 第2章 协同过滤推荐相关方法综述 | 第14-29页 |
| ·个性化推荐概念和方法 | 第14-18页 |
| ·个性化推荐概念 | 第14页 |
| ·个性化推荐框架 | 第14-15页 |
| ·个性化推荐技术的分类 | 第15-18页 |
| ·协同过滤推荐算法分类和发展 | 第18-21页 |
| ·基于内存的协同过滤推荐算法 | 第19-20页 |
| ·基于模型的协同过滤推荐算法 | 第20-21页 |
| ·传统的协同过滤推荐算法 | 第21-24页 |
| ·基于用户的协同过滤推荐算法 | 第21-23页 |
| ·基于项目的协同过滤推荐算法 | 第23-24页 |
| ·混合协同过滤推荐算法 | 第24页 |
| ·基于聚类的协同推荐算法 | 第24-26页 |
| ·针对项目的聚类 | 第24-25页 |
| ·针对用户的聚类 | 第25页 |
| ·应用聚类算法的不足之处 | 第25-26页 |
| ·协同过滤推荐算法的不足分析 | 第26-27页 |
| ·本文提出的改进思路 | 第27页 |
| ·本章小结 | 第27-29页 |
| 第3章 基于粗糙集的聚类和评分填充方法 | 第29-42页 |
| ·粗糙集的相关定义 | 第29-34页 |
| ·基本定义 | 第30-31页 |
| ·扩充的粗糙集理论相关定义 | 第31-34页 |
| ·粗糙k-均值聚类算法 | 第34-38页 |
| ·k-均值聚类算法 | 第34页 |
| ·粗糙k-均值聚类算法 | 第34-36页 |
| ·改进的粗糙k-均值聚类算法 | 第36-38页 |
| ·基于粗糙集的评分填充方法 | 第38-41页 |
| ·ROUSTIDA算法 | 第39-40页 |
| ·改进的ROUSTIDA算法 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第4章 基于粗糙集的协同推荐模型 | 第42-51页 |
| ·问题引出 | 第42页 |
| ·粗糙集的引入 | 第42-44页 |
| ·基于粗糙集的用户初始近邻集的形成 | 第44-47页 |
| ·基于项目关注度的粗糙k-均值用户聚类 | 第44-45页 |
| ·活动用户在线粗糙近邻集的形成 | 第45-47页 |
| ·基于粗糙集的预测与推荐 | 第47-50页 |
| ·项目未评分值的粗糙填充算法 | 第47-49页 |
| ·基于项目偏好度矩阵的top-N项目推荐 | 第49-50页 |
| ·基于粗糙集的协同推荐模型 | 第50页 |
| ·本章小结 | 第50-51页 |
| 第5章 实验设计与分析 | 第51-59页 |
| ·个性化推荐质量评价方法 | 第51-52页 |
| ·实验环境及数据集分析 | 第52-53页 |
| ·实验模型设计 | 第53-54页 |
| ·实验过程及结果 | 第54-57页 |
| ·结果分析与建议 | 第57-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 总结与展望 | 第59-61页 |
| ·本文工作总结 | 第59页 |
| ·不足与展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 附录 | 第67页 |
