碩士論文基于改進k-means聚類的推薦方法研究答辯

1、華中科技大學(xué)碩士畢業(yè)論文答辯,2016年 5月 22日,基于改進K-means聚類的推薦方法研究,專 業(yè)：計算機系統(tǒng)結(jié)構(gòu)答 辨 人：XXXX 學(xué) 號：XXXX指導(dǎo)教師：XXXX,論文提綱,研究背景和現(xiàn)狀,聚類中心選擇方法研究,改進K-means聚類算法的推薦方法,總結(jié)與展望,用戶相似度度量方法研究,,,研究背景和現(xiàn)狀,互聯(lián)網(wǎng)的發(fā)展導(dǎo)致信息過載,搜索引擎不能提供個性化服務(wù),推薦系統(tǒng)彌補了搜索引擎的不

2、足,,基于二部圖的推薦算法,基于物理現(xiàn)象的推薦算法,基于矩陣分解的推薦算法,聚類中心選擇方法研究,,聚類結(jié)果極易陷入局部最優(yōu)解,事先輸入聚類中心個數(shù)K,聚類結(jié)果不穩(wěn)定,聚類中心選擇方法研究,基于最小方差的高密度區(qū)發(fā)現(xiàn)方法,基于高密度區(qū)的最大化最小距離聚類中心選擇方法,聚類中心選擇方法研究,,聚類中心選擇方法研究,基于高密度區(qū)的最大化最小距離方法,,,用戶相似度度量方法研究,,,數(shù)據(jù)稀疏問題,相似度計算不準(zhǔn)確,用戶相似度度量方法研究,,其

3、中，RA,B 為共同評分的物品，f (rA,i, rB,i) 的定義如下：,用戶相似度度量方法研究,其中，di是評分的差的絕對值，r是評分范圍中值,用戶相似度度量方法研究,A與B的相似度為：,信任閥值（max）max = 0.8,最大深度值（depth）depth = 2,基于改進K-means聚類算法的推薦方法,計算量大，推薦實時性差。,評分矩陣稀疏，推薦結(jié)果不準(zhǔn)確；,提出了基于改進K-means聚類算法的推薦方法（IKC）,傳

4、統(tǒng)的推薦方法僅根據(jù)用戶-物品的評分矩陣計算用戶之間的相似度，存在以下的不足：,1、用基于用戶信任關(guān)系的信任值代替聚類對象之間的歐式距離；,2、用基于最小方差和最大化最小距離的方法選擇初始聚類中心；,3、用IKC算法聚類，并在每個子類中利用Top-N算法生成推薦列表。,基于改進K-means聚類算法的推薦方法,數(shù)據(jù)集：MovieLens（1M）和Epinions,評價指標(biāo)：平均絕對誤差（MAE），平均均方誤差（RMSE）和執(zhí)行時間,基于改

5、進K-means聚類算法的推薦方法,基于改進K-means聚類算法的推薦方法,實驗比較算法：,基于用戶的協(xié)同過濾推薦算法（UCF算法）,基于矩陣分解的推薦算法（SVD算法）,基于隨機游走的推薦算法（SR算法）,基于熱傳導(dǎo)的推薦算法（MD算法）,基于改進K-means聚類算法的推薦方法,數(shù)據(jù)MovieLens（1M）上實驗結(jié)果：,實驗結(jié)論：,IKC算法在相同數(shù)據(jù)集不同稀疏度下的MAE和RMSE都較其他四種比較算法小。,基于改進K-mean