论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-14页 |
第一章 绪论 | 第14-19页 |
1.1 研究背景与意义 | 第14-16页 |
1.2 国内外研究现状 | 第16-17页 |
1.3 论文的主要内容和组织结构 | 第17-19页 |
1.3.1 论文的主要内容 | 第17-18页 |
1.3.2 论文的组织结构 | 第18-19页 |
第二章 推荐系统相关研究及相关技术 | 第19-31页 |
2.1 基于关联规则过滤的推荐算法 | 第19-20页 |
2.2 基于内容过滤的推荐算法 | 第20-21页 |
2.3 基于内存的协同过滤算法 | 第21-27页 |
2.3.1 基于用户的协同过滤(UB-CF) | 第21-24页 |
2.3.2 基于项目的协同过滤(IB-CF) | 第24-25页 |
2.3.3 Slope One算法 | 第25-26页 |
2.3.4 改进的基于项目的协同过滤(IIB-CF) | 第26-27页 |
2.4 基于矩阵分解的协同过滤 | 第27-30页 |
2.5 本章小结 | 第30-31页 |
第三章 基于非对称加权相似度和LFM模型的协同过滤算法 | 第31-40页 |
3.1 传统用户相似度存在的问题 | 第31-32页 |
3.2 非对称加权相似度度量方法 | 第32-34页 |
3.3 隐含语义分析LSI | 第34-37页 |
3.4 隐语义模型LFM | 第37-38页 |
3.5 结合非对称加权相似度和LFM模型的协同过滤算法设计 | 第38-39页 |
3.6 本章小结 | 第39-40页 |
第四章 基于改进的K-means聚类和AsyUB-LFM的协同过滤算法 | 第40-51页 |
4.1 聚类分析 | 第40页 |
4.2 K-means聚类算法 | 第40-45页 |
4.2.1 K-means聚类算法基本原理 | 第40-41页 |
4.2.2 K-means聚类算法实验和结果分析 | 第41-45页 |
4.3 改进的K-means聚类算法 | 第45-48页 |
4.3.1 个体轮廓系数 | 第45-46页 |
4.3.2 基于个体轮廓系数改进的K-means算法 | 第46-48页 |
4.4 基于AsyUB-LFM和ImpK-means的协同过滤算法设计 | 第48-49页 |
4.5 本章小结 | 第49-51页 |
第五章 实验结果及分析 | 第51-64页 |
5.1 实验环境 | 第51页 |
5.2 AsyUB-LFM算法实验及分析 | 第51-56页 |
5.2.1 实验数据 | 第51页 |
5.2.2 对比实验 | 第51-52页 |
5.2.3 评估指标 | 第52页 |
5.2.4 实验结果及分析 | 第52-56页 |
5.3 ImpK-means算法实验及分析 | 第56-61页 |
5.3.1 实验数据 | 第56-57页 |
5.3.2 评估指标 | 第57页 |
5.3.3 对比实验 | 第57页 |
5.3.4 实验结果及分析 | 第57-61页 |
5.4 AsyUBImpK-LFM推荐算法实验及分析 | 第61-63页 |
5.4.1 实验数据和评估指标 | 第61-62页 |
5.4.2 对比实验 | 第62页 |
5.4.3 实验结果及分析 | 第62-63页 |
5.5 本章小结 | 第63-64页 |
总结与展望 | 第64-66页 |
参考文献 | 第66-70页 |
攻读学位期间发表的论文 | 第70-72页 |
致谢 | 第72页 |