基于改进粒子群的K-means聚类算法及其在推荐系统中的应用

发布时间：2022-07-23 14:45

　　在当今这大数据时代,人们能够接触到的信息量逐渐复杂,但其中许多信息也许并不是我们所想要的。为了解决这一问题,聚类分析和推荐系统应运而生。K-means聚类具有原理简单,易于实现和收敛速度快的优点,常被用于处理一些聚类问题。但是该算法的易受初始中心点影响和无法事先确定k值的缺点限制了它的使用范围。粒子群优化算法具有搜索速度快,易于实现且不易受初始中心点影响的优点,常被用于求解优化问题以及结合其它算法以实现更高效的结果。协同过滤推荐算法的思想是根据用户过去的行为信息分析出用户的喜好并作出个性化推荐,算法的实现简单高效,但是具有不可避免的数据稀疏性和冷启动问题,而且算法的可扩展性差。本文首先研究了K-means聚类算法和粒子群优化算法,针对粒子群优化算法的早熟收敛和无法动态调整权重因子问题提出了混沌搜索过程以及自适应调整因子的改进思想,对粒子群算法进行了改进,进一步提出了基于改进粒子群的Kmeans聚类算法（IPK-means）,即利用改进后的粒子群优化算法不易受初始中心影响的优点,为K-means算法搜索寻找较优的初始中心,实验结果表明基于改进粒子群的K-means算法具有更好的聚类效果。... 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 论文主要内容和组织结构
        1.3.1 主要研究内容
        1.3.2 论文组织结构
第二章 相关理论基础
    2.1 聚类算法
        2.1.1 聚类分析的概念
        2.1.2 聚类算法的要求
        2.1.3 聚类算法
        2.1.4 聚类评价指标
    2.2 群体智能算法
        2.2.1 遗传算法
        2.2.2 粒子群优化算法
        2.2.3 蚁群算法
    2.3 本章小结
第三章 基于混沌搜索和自适应权重粒子群的K-means聚类算法
    3.1 粒子群算法的改进
        3.1.1 混沌搜索
        3.1.2 自适应调整更新权重
    3.2 基于改进粒子群的K-means聚类算法
    3.3 实验结果分析
        3.3.1 实验结果
        3.3.2 实验分析
    3.4 本章小结
第四章 协同过滤推荐系统的研究与改进
    4.1 推荐系统
    4.2 基于内容的推荐算法
    4.3 协同过滤推荐算法
        4.3.1 用户物品评分模型的建立
        4.3.2 相似度计算
        4.3.3 预测结果计算
    4.4 协同过滤推荐算法的改进
        4.4.1 数据稀疏性
        4.4.2 冷启动问题
        4.4.3 可扩展性差
        4.4.4 用户兴趣的变化
    4.5 IPK-means在改进的协同过滤推荐系统中的应用
        4.5.1 改进的协同过滤推荐算法
        4.5.2 加入IPK-means的用户属性时间的协同过滤推荐算法
    4.6 实验结果对比与分析
        4.6.1 推荐结果评测指标
        4.6.2 实验数据集
        4.6.3 实验结果分析
    4.7 本章小结
第五章 总结与展望
    5.1 研究工作总结
    5.2 工作展望
参考文献
致谢
攻读硕士学位期间发表的论文


【参考文献】：
期刊论文
[1]一种改进的粒子群优化算法及其算法测试[J]. 刘玉敏,高松岩.  数学的实践与认识. 2019(09)
[2]不平衡数据挖掘在分布式数据库中的应用[J]. 张滨.  控制工程. 2018(07)
[3]基于艾宾浩斯遗忘曲线的个性化推荐算法[J]. 周子愉.  电子制作. 2018(Z2)
[4]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[5]基于相关性加权的K-means算法[J]. 刘建生,吴斌,章泽煜.  江西理工大学学报. 2018(01)
[6]一种融合近邻用户影响力的矩阵分解推荐算法[J]. 李昆仑,郭昌隆,关立伟.  小型微型计算机系统. 2018(01)
[7]可变网格优化的K-means聚类方法[J]. 万静,张超,何云斌,李松.  小型微型计算机系统. 2018(01)
[8]基于改进蜂群算法的K-means算法[J]. 于佐军,秦欢.  控制与决策. 2018(01)
[9]适用于核动力设备故障诊断的改进粒子群优化算法[J]. 刘锐,李铁萍,周国强,田欣鹭.  动力工程学报. 2017(10)
[10]自适应布谷鸟搜索的并行K-means聚类算法[J]. 王波,余相君.  计算机应用研究. 2018(03)

博士论文
[1]双向协作网络的中继选择及功率分配优化算法研究[D]. 潘蕾.西安电子科技大学 2019
[2]第四方物流弹复性网络设计研究[D]. 李锐.东北大学 2014

硕士论文
[1]跨域网络切片资源编排和可靠性保障研究[D]. 蒋通通.北京工业大学 2019
[2]基于聚类的智能推荐算法研究及应用[D]. 秦晓阳.电子科技大学 2018
[3]协同过滤算法的改进与应用研究[D]. 王璇.南京邮电大学 2017
[4]基于K-means聚类的药品推荐系统设计[D]. 刘晶晶.大连海事大学 2017
[5]基于改进权重计算的协同过滤算法研究[D]. 马小翔.吉林大学 2017
[6]基于改进型SVD协同过滤算法的新闻推荐系统[D]. 刘新全.兰州大学 2017
[7]面向数据稀疏的个性化推荐算法研究与改进[D]. 陆国生.合肥工业大学 2017
[8]个性化推荐系统算法研究[D]. 张天才.哈尔滨理工大学 2017
[9]K-Means算法研究及其与智能算法的融合[D]. 李振.安徽大学 2016
[10]K-means聚类算法的改进研究[D]. 宋建林.安徽大学 2016



本文编号：3665333