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

华中科技大学硕士毕业论文答辩基于改进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：XXXX2016年 5月 22日234论文提纲研究背景和现状1聚类中心选择方法研究用户相似度度量方法研究改进K-means聚类算法的推荐方法总结与展望5研究背景和现状研究现状研究背景互联网的发展导致信息过载基于二部图的推荐算法 搜索引擎不能提供个性化服务基于物理现象的推荐算法 推荐系统弥补了搜索引擎的不足基于矩阵分解的推荐算法聚类中心选择方法研究随机选择初始聚类中心传统的方法聚类结果极易陷入局部最优解事先输入聚类中心个数K聚类结果不稳定随机选择初始聚类中心的缺点聚类中心选择方法研究基于最小方差和最大化最小距离的方法基于最小方差的高密度区发现方法改进的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基于最小方差的高密度区发现方法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传统方法存在的缺点相似度计算不准确用户相似度度量方法研究基于用户信任关系的相似度计算方法提出相邻用户相似度计的算非相邻用户相似度的计算用户相似度度量方法研究相邻用户相似度的计算方法其中，RA,B 为共同评分的物品，f (rA,i, rB,i) 的定义如下：其中，di是评分的差的绝对值，r是评分范围中值基于改进K-means聚类算法的推荐方法数据集：MovieLens（1M）和Epinions评价指标：平均绝对误差（MAE），平均均方误差（RMSE）和执行时间实验的数据集和评价指标基于改进K-means聚类算法的推荐方法实验比较算法：基于用户的协同过滤推荐算法（UCF算法）基于矩阵分解的推荐算法（SVD算法）基于随机游走的推荐算法（SR算法）基于热传导的推荐算法（MD算法）基于改进K-means聚类算法的推荐方法数据MovieLens（1M）上实验结果： 图A MAE随稀疏度的变化关系图图BRMSE随稀疏度的变化关系图实验结论：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。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。图C 比较算法的执行时间统计图实验表明：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。1总结展望2利用用户的信任关系度量用户之间的相似度3提出了基于改进K-means聚类算法的推荐方法（IKC）1改进第一个初始聚类中心的选择方法2用模糊聚类的思想解决聚类过程中的边界重叠问题总结与展望提出了基于最小方差和最大化最小距离的初始聚类中心选择方法Thank You !欢迎各位专家提出宝贵意见