在當今這大數(shù)據(jù)時代,人們能夠接觸到的信息量逐漸復雜,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)應運而生。K-means聚類具有原理簡單,易于實現(xiàn)和收斂速度快的優(yōu)點,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影響和無法事先確定k值的缺點限制了它的使用范圍。粒子群優(yōu)化算法具有搜索速度快,易于實現(xiàn)且不易受初始中心點影響的優(yōu)點,常被用于求解優(yōu)化問題以及結合其它算法以實現(xiàn)更高效的結果。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性化推薦,算法的實現(xiàn)簡單高效,但是具有不可避免的數(shù)據(jù)稀疏性和冷啟動問題,而且算法的可擴展性差。本文首先研究了K-means聚類算法和粒子群優(yōu)化算法,針對粒子群優(yōu)化算法的早熟收斂和無法動態(tài)調整權重因子問題提出了混沌搜索過程以及自適應調整因子的改進思想,對粒子群算法進行了改進,進一步提出了基于改進粒子群的Kmeans聚類算法（IPK-means）,即利用改進后的粒子群優(yōu)化算法不易受初始中心影響的優(yōu)點,為K-means算法搜索尋找較優(yōu)的初始中心,實驗結果表明基于改進粒子群的K-means算法具有更好的聚類效果。... 

【文章頁數(shù)】：70 頁

【學位級別】：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 國內外研究現(xiàn)狀
    1.3 論文主要內容和組織結構
        1.3.1 主要研究內容
        1.3.2 論文組織結構
第二章 相關理論基礎
    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 聚類評價指標
    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
第三章 基于混沌搜索和自適應權重粒子群的K-means聚類算法
    3.1 粒子群算法的改進
        3.1.1 混沌搜索
        3.1.2 自適應調整更新權重
    3.2 基于改進粒子群的K-means聚類算法
    3.3 實驗結果分析
        3.3.1 實驗結果
        3.3.2 實驗分析
    3.4 本章小結
第四章 協(xié)同過濾推薦系統(tǒng)的研究與改進
    4.1 推薦系統(tǒng)
    4.2 基于內容的推薦算法
    4.3 協(xié)同過濾推薦算法
        4.3.1 用戶物品評分模型的建立
        4.3.2 相似度計算
        4.3.3 預測結果計算
    4.4 協(xié)同過濾推薦算法的改進
        4.4.1 數(shù)據(jù)稀疏性
        4.4.2 冷啟動問題
        4.4.3 可擴展性差
        4.4.4 用戶興趣的變化
    4.5 IPK-means在改進的協(xié)同過濾推薦系統(tǒng)中的應用
        4.5.1 改進的協(xié)同過濾推薦算法
        4.5.2 加入IPK-means的用戶屬性時間的協(xié)同過濾推薦算法
    4.6 實驗結果對比與分析
        4.6.1 推薦結果評測指標
        4.6.2 實驗數(shù)據(jù)集
        4.6.3 實驗結果分析
    4.7 本章小結
第五章 總結與展望
    5.1 研究工作總結
    5.2 工作展望
參考文獻
致謝
攻讀碩士學位期間發(fā)表的論文


【參考文獻】：
期刊論文
[1]一種改進的粒子群優(yōu)化算法及其算法測試[J]. 劉玉敏,高松巖.  數(shù)學的實踐與認識. 2019(09)
[2]不平衡數(shù)據(jù)挖掘在分布式數(shù)據(jù)庫中的應用[J]. 張濱.  控制工程. 2018(07)
[3]基于艾賓浩斯遺忘曲線的個性化推薦算法[J]. 周子愉.  電子制作. 2018(Z2)
[4]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[5]基于相關性加權的K-means算法[J]. 劉建生,吳斌,章澤煜.  江西理工大學學報. 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,關立偉.  小型微型計算機系統(tǒng). 2018(01)
[7]可變網格優(yōu)化的K-means聚類方法[J]. 萬靜,張超,何云斌,李松.  小型微型計算機系統(tǒng). 2018(01)
[8]基于改進蜂群算法的K-means算法[J]. 于佐軍,秦歡.  控制與決策. 2018(01)
[9]適用于核動力設備故障診斷的改進粒子群優(yōu)化算法[J]. 劉銳,李鐵萍,周國強,田欣鷺.  動力工程學報. 2017(10)
[10]自適應布谷鳥搜索的并行K-means聚類算法[J]. 王波,余相君.  計算機應用研究. 2018(03)

博士論文
[1]雙向協(xié)作網絡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 2019
[2]第四方物流彈復性網絡設計研究[D]. 李銳.東北大學 2014

碩士論文
[1]跨域網絡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 2019
[2]基于聚類的智能推薦算法研究及應用[D]. 秦曉陽.電子科技大學 2018
[3]協(xié)同過濾算法的改進與應用研究[D]. 王璇.南京郵電大學 2017
[4]基于K-means聚類的藥品推薦系統(tǒng)設計[D]. 劉晶晶.大連海事大學 2017
[5]基于改進權重計算的協(xié)同過濾算法研究[D]. 馬小翔.吉林大學 2017
[6]基于改進型SVD協(xié)同過濾算法的新聞推薦系統(tǒng)[D]. 劉新全.蘭州大學 2017
[7]面向數(shù)據(jù)稀疏的個性化推薦算法研究與改進[D]. 陸國生.合肥工業(yè)大學 2017
[8]個性化推薦系統(tǒng)算法研究[D]. 張?zhí)觳?哈爾濱理工大學 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 2016
[10]K-means聚類算法的改進研究[D]. 宋建林.安徽大學 2016



本文編號：3665333