D2核K-means算法在标签系统中的应用研究

论文摘要

随着互联网用户的个性化需求和社区化生活方式的推广,Web2.0下的社会化标签系统迅速发展。为了更好的利用社会化标签系统,学者从不同的方面给予研究：标签标注模型、标签的可视化研究、标签的应用以及社会化标签系统中的局限性。本文主要研究社会化标签应用中个性化推荐的核心基础即用户兴趣社区构建,具体工作主要包括以下几方面：1本文首先阐述构建用户兴趣社区的研究现状,介绍所涉及的聚类技术,社会化标签系统,用户兴趣社区的定义,研究了在社会化标签中构建用户兴趣社区的谱聚类,层次聚类以及K-means算法等方法。2介绍K-means算法使用的目标函数改变定理,正态分布,D2思想等相关知识,研究了核K-means算法及其关特性,重点分析该算法的不足,提出了一种基于D2权重的核K-means聚类算法,在公共数据集UCI上对新旧算法进行验证,证明改进的算法具有更好的聚类效果。3分析K-means算法在构建用户兴趣社区中的不足,提出基于语义和时间的聚类框架,使用改进的D2权重核K-means算法与K-means算法对用户聚类进行对比实验,证明改进的D2权重核K-means算法能够更好地识别用户兴趣社区。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题背景及意义
• 1.2 国内外研究现状
• 1.3 主要工作
• 1.3.1 研究内容
• 1.3.2 论文创新点
• 1.4 论文的组织结构
• 第二章 背景知识概述
• 2.1 聚类分析
• 2.1.1 聚类概述
• 2.1.2 K-means算法简介
• 2.2 社会标签系统中构建用户兴趣社区的常用方法
• 2.2.1 社会化标签概述
• 2.2.2 构建用户兴趣社区方法的概述
• 2.3 本章小结
• 2权重的核K-means聚类算法'>第三章 改进的基于D²权重的核K-means聚类算法
• 3.1 相关知识
• 3.1.1 K-means中相关定理
• 3.1.2 正态分布
• 2权重思想'>3.1.3 D²权重思想
• 3.2 相关核K-means算法
• 3.2.1 核K-means算法
• 2核K-means算法实现'>3.2.2 改进的D²核K-means算法实现
• 3.3 算法实验与结果分析
• 3.3.1 数据准备
• 3.3.2 性能评价标准
• 3.3.3 实验结果与分析
• 3.4 本章小结
• 2权重核K-means算法在构建用户社区中的应用'>第四章 改进的D²权重核K-means算法在构建用户社区中的应用
• 4.1 K-means聚类在构建用户兴趣社区中的概述
• 4.2 构建用户兴趣社区的相关知识
• 4.2.1 构建用户兴趣社区中的相关表达
• 4.2.2 本文聚类框架
• 4.3 实验与分析
• 4.3.1 实验数据集
• 4.3.2 性能评价标准
• 4.3.3 实验参数分析
• 4.3.4 实验分析
• 4.4 本章小结
• 第五章 总结与展望
• 5.1 本文总结
• 5.2 工作展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文