硕士论文基于改进K-means聚类的推荐方法研究答辩演示幻灯片.pptxVIP

华中科技大学硕士毕业论文答辩 2016年 5月 22日 基于改进K-means聚类的推荐方法研究 专 业：计算机系统结构答 辨 人：XXXX 学 号：XXXX 指导教师：XXXX 论文提纲 研究背景和现状 聚类中心选择方法研究 改进K-means聚类算法的推荐方法 总结与展望 用户相似度度量方法研究 研究背景和现状 互联网的发展导致信息过载 搜索引擎不能提供个性化服务 推荐系统弥补了搜索引擎的不足 基于二部图的推荐算法 基于物理现象的推荐算法 基于矩阵分解的推荐算法 聚类中心选择方法研究 聚类结果极易陷入局部最优解 事先输入聚类中心个数K 聚类结果不稳定 聚类中心选择方法研究 基于最小方差的高密度区发现方法 基于高密度区的最大化最小距离聚类中心选择方法 聚类中心选择方法研究 聚类中心选择方法研究 基于高密度区的最大化最小距离方法 用户相似度度量方法研究 数据稀疏问题 相似度计算不准确 用户相似度度量方法研究 其中，RA,B 为共同评分的物品，f (rA,i, rB,i) 的定义如下： 用户相似度度量方法研究 其中，di是评分的差的绝对值，r是评分范围中值 用户相似度度量方法研究 A与B的相似度为： 信任阀值（max） max = 0.8 最大深度值（depth） depth = 2 基于改进K-means聚类算法的推荐方法 计算量大，推荐实时性差。 评分矩阵稀疏，推荐结果不准确； 提出了基于改进K-means聚类算法的推荐方法（IKC） 传统的推荐方法仅根据用户-物品的评分矩阵计算用户之间的相似度，存在以下的不足： 图A MAE随稀疏度的变化关系图 图B RMSE随稀疏度的变化关系图 基于改进K-means聚类算法的推荐方法 数据MovieLens（1M）上实验结果： 实验结论： IKC算法在相同数据集不同稀疏度下的MAE和RMSE都较其他四种比较算法小。 图C 比较算法的执行时间统计图 基于改进K-means聚类算法的推荐方法 数据MovieLens（1M）上实验结果： 实验结论： IKC算法在相同数据集下的执行时间都比其他算法短。 实验表明：IKC算法在一定程度上解决了数据稀疏、推荐不准确和推荐的实时性差等问题。 总结与展望