在當(dāng)今這大數(shù)據(jù)時(shí)代,人們能夠接觸到的信息量逐漸復(fù)雜,但其中許多信息也許并不是我們所想要的。為了解決這一問題,聚類分析和推薦系統(tǒng)應(yīng)運(yùn)而生。K-means聚類具有原理簡(jiǎn)單,易于實(shí)現(xiàn)和收斂速度快的優(yōu)點(diǎn),常被用于處理一些聚類問題。但是該算法的易受初始中心點(diǎn)影響和無法事先確定k值的缺點(diǎn)限制了它的使用范圍。粒子群優(yōu)化算法具有搜索速度快,易于實(shí)現(xiàn)且不易受初始中心點(diǎn)影響的優(yōu)點(diǎn),常被用于求解優(yōu)化問題以及結(jié)合其它算法以實(shí)現(xiàn)更高效的結(jié)果。協(xié)同過濾推薦算法的思想是根據(jù)用戶過去的行為信息分析出用戶的喜好并作出個(gè)性化推薦,算法的實(shí)現(xiàn)簡(jiǎn)單高效,但是具有不可避免的數(shù)據(jù)稀疏性和冷啟動(dòng)問題,而且算法的可擴(kuò)展性差。本文首先研究了K-means聚類算法和粒子群優(yōu)化算法,針對(duì)粒子群優(yōu)化算法的早熟收斂和無法動(dòng)態(tài)調(diào)整權(quán)重因子問題提出了混沌搜索過程以及自適應(yīng)調(diào)整因子的改進(jìn)思想,對(duì)粒子群算法進(jìn)行了改進(jìn),進(jìn)一步提出了基于改進(jìn)粒子群的Kmeans聚類算法（IPK-means）,即利用改進(jìn)后的粒子群優(yōu)化算法不易受初始中心影響的優(yōu)點(diǎn),為K-means算法搜索尋找較優(yōu)的初始中心,實(shí)驗(yàn)結(jié)果表明基于改進(jìn)粒子群的K-means算法具有更好的聚類效果。... 

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要內(nèi)容和組織結(jié)構(gòu)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 論文組織結(jié)構(gòu)
第二章 相關(guān)理論基礎(chǔ)
    2.1 聚類算法
        2.1.1 聚類分析的概念
        2.1.2 聚類算法的要求
        2.1.3 聚類算法
        2.1.4 聚類評(píng)價(jià)指標(biāo)
    2.2 群體智能算法
        2.2.1 遺傳算法
        2.2.2 粒子群優(yōu)化算法
        2.2.3 蟻群算法
    2.3 本章小結(jié)
第三章 基于混沌搜索和自適應(yīng)權(quán)重粒子群的K-means聚類算法
    3.1 粒子群算法的改進(jìn)
        3.1.1 混沌搜索
        3.1.2 自適應(yīng)調(diào)整更新權(quán)重
    3.2 基于改進(jìn)粒子群的K-means聚類算法
    3.3 實(shí)驗(yàn)結(jié)果分析
        3.3.1 實(shí)驗(yàn)結(jié)果
        3.3.2 實(shí)驗(yàn)分析
    3.4 本章小結(jié)
第四章 協(xié)同過濾推薦系統(tǒng)的研究與改進(jìn)
    4.1 推薦系統(tǒng)
    4.2 基于內(nèi)容的推薦算法
    4.3 協(xié)同過濾推薦算法
        4.3.1 用戶物品評(píng)分模型的建立
        4.3.2 相似度計(jì)算
        4.3.3 預(yù)測(cè)結(jié)果計(jì)算
    4.4 協(xié)同過濾推薦算法的改進(jìn)
        4.4.1 數(shù)據(jù)稀疏性
        4.4.2 冷啟動(dòng)問題
        4.4.3 可擴(kuò)展性差
        4.4.4 用戶興趣的變化
    4.5 IPK-means在改進(jìn)的協(xié)同過濾推薦系統(tǒng)中的應(yīng)用
        4.5.1 改進(jìn)的協(xié)同過濾推薦算法
        4.5.2 加入IPK-means的用戶屬性時(shí)間的協(xié)同過濾推薦算法
    4.6 實(shí)驗(yàn)結(jié)果對(duì)比與分析
        4.6.1 推薦結(jié)果評(píng)測(cè)指標(biāo)
        4.6.2 實(shí)驗(yàn)數(shù)據(jù)集
        4.6.3 實(shí)驗(yàn)結(jié)果分析
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 研究工作總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]一種改進(jìn)的粒子群優(yōu)化算法及其算法測(cè)試[J]. 劉玉敏,高松巖.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2019(09)
[2]不平衡數(shù)據(jù)挖掘在分布式數(shù)據(jù)庫中的應(yīng)用[J]. 張濱.  控制工程. 2018(07)
[3]基于艾賓浩斯遺忘曲線的個(gè)性化推薦算法[J]. 周子愉.  電子制作. 2018(Z2)
[4]基于深度學(xué)習(xí)的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計(jì)算機(jī)學(xué)報(bào). 2018(07)
[5]基于相關(guān)性加權(quán)的K-means算法[J]. 劉建生,吳斌,章澤煜.  江西理工大學(xué)學(xué)報(bào). 2018(01)
[6]一種融合近鄰用戶影響力的矩陣分解推薦算法[J]. 李昆侖,郭昌隆,關(guān)立偉.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[7]可變網(wǎng)格優(yōu)化的K-means聚類方法[J]. 萬靜,張超,何云斌,李松.  小型微型計(jì)算機(jī)系統(tǒng). 2018(01)
[8]基于改進(jìn)蜂群算法的K-means算法[J]. 于佐軍,秦歡.  控制與決策. 2018(01)
[9]適用于核動(dòng)力設(shè)備故障診斷的改進(jìn)粒子群優(yōu)化算法[J]. 劉銳,李鐵萍,周國強(qiáng),田欣鷺.  動(dòng)力工程學(xué)報(bào). 2017(10)
[10]自適應(yīng)布谷鳥搜索的并行K-means聚類算法[J]. 王波,余相君.  計(jì)算機(jī)應(yīng)用研究. 2018(03)

博士論文
[1]雙向協(xié)作網(wǎng)絡(luò)的中繼選擇及功率分配優(yōu)化算法研究[D]. 潘蕾.西安電子科技大學(xué) 2019
[2]第四方物流彈復(fù)性網(wǎng)絡(luò)設(shè)計(jì)研究[D]. 李銳.東北大學(xué) 2014

碩士論文
[1]跨域網(wǎng)絡(luò)切片資源編排和可靠性保障研究[D]. 蔣通通.北京工業(yè)大學(xué) 2019
[2]基于聚類的智能推薦算法研究及應(yīng)用[D]. 秦曉陽.電子科技大學(xué) 2018
[3]協(xié)同過濾算法的改進(jìn)與應(yīng)用研究[D]. 王璇.南京郵電大學(xué) 2017
[4]基于K-means聚類的藥品推薦系統(tǒng)設(shè)計(jì)[D]. 劉晶晶.大連海事大學(xué) 2017
[5]基于改進(jìn)權(quán)重計(jì)算的協(xié)同過濾算法研究[D]. 馬小翔.吉林大學(xué) 2017
[6]基于改進(jìn)型SVD協(xié)同過濾算法的新聞推薦系統(tǒng)[D]. 劉新全.蘭州大學(xué) 2017
[7]面向數(shù)據(jù)稀疏的個(gè)性化推薦算法研究與改進(jìn)[D]. 陸國生.合肥工業(yè)大學(xué) 2017
[8]個(gè)性化推薦系統(tǒng)算法研究[D]. 張?zhí)觳?哈爾濱理工大學(xué) 2017
[9]K-Means算法研究及其與智能算法的融合[D]. 李振.安徽大學(xué) 2016
[10]K-means聚類算法的改進(jìn)研究[D]. 宋建林.安徽大學(xué) 2016



本文編號(hào)：3665333