导读:本文包含了双重聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:铁路运输,客运产品,有效能力隶属度,核模糊C均值聚类(KFCM)
双重聚类论文文献综述
刘帆洨,彭其渊,鲁工圆,潘金山[1]（2019）在《基于KFCM双重聚类的铁路客运产品类别划分》一文中研究指出客运产品是铁路运输市场的主要供给,开行方案是客运产品设计的核心内容。将客运产品进行类别划分,是不同类型客运产品需求演变趋势分析的重要基础,有利于简化客运产品优化设计问题。本文以不同列车开行方案属性为样本特征变量,考虑列车能力利用对客运产品优化设计的影响,结合平均列车客座率提出了有效能力隶属度,构建了基于KFCM的双重聚类模型对样本进行聚类,利用Xie-beni和分离系数法确定最佳聚类数。最后对京沪高铁进行实例分析,研究结果表明,将该线客运产品分为4类可获得较好的聚类效果,不同类别的客运产品表现出明显的结构特性。(本文来源于《交通运输工程与信息学报》期刊2019年02期）
郑健[2]（2017）在《基于用户与项目双重聚类的协同过滤算法的研究与分析》一文中研究指出“信息过载”使我们获取有效信息变得困难,而个性化推荐算法正是对该问题而提出的解决方案,个性化推荐算法中又以协同过滤算法发展最好、应用最为广泛。协同过滤算法通过分析用户对项目的评分信息,找出其中评分数值相似的用户(或项目),通过这些相似用户(或项目)具有的评分信息,对目标用户提供推荐。但是协同过滤中存在着由于项目维度过高、用户评分数据过于稀疏的稀疏性问题,用户兴趣是不断变化的用户兴趣变化问题,以及新用户和新项目由于信息量过少而导致的冷启动问题。上述的这些问题都将会使得协同过滤算法的推荐结果准确度变得偏低,影响整个推荐算法的性能。针对这些缺点,本文中提出了一种新的基于用户与项目的双重聚类协同过滤算法,该算法在前人研究的基础之上,对这些问题都提出了针对性的改进方案。针对数据稀疏性问题,算法中使用用户与项目的双重聚结果,利用聚类结果中同属类的其他用户或项目,对空白评分项进行填充。此种方式得到的填充结果较为可信,在缓解数据稀疏性问题上能够起到非常大的作用。针对用户的兴趣不断变化问题,算法中利用艾宾浩斯遗忘曲线为根据,利用该曲线来描述用户兴趣随时间改变的趋势。在计算用户间相似度时,对用户不同时间的评分进行加权处理,从而获取到的相似度更符合用户当前的实际情况。针对冷启动问题,算法中使用了融合用户属性的用户相似度计量方式和融合项目的项目相似度计量方式两种新型相似度计算方法,充分利用用户和项目自身所具有的的属性,对它们进行相似度分析,使得新用户与新项目也能够找到对应邻居。最后,对本文中的基于用户与项目双重聚类的协同过滤算法进行实验,验证其有效性和准确性。实验中采用的数据集为Movie Lens数据集,实验过程中分别正对算法中的改进项一一进行实验,验证其有效性,最后实验验证整体算法的有效性。最后实验表明,本文算法相比于前人提出的传统协同过滤算法有着更好的推荐结果。(本文来源于《北京工业大学》期刊2017-06-01）
石美红,赵辉,贾郑磊,雷燕,张祥俊[3]（2016）在《基于数据场的无线传感网数据双重聚类算法》一文中研究指出为了解决大规模高维WSN数据的双重聚类问题,提出一种基于数据场的WSN数据聚类方法.借用数据场的思想,将WSN数据空间非线性映射到势能空间;结合WSN数据的分布特点,采用概率熵度量数据的质量;根据数据场形成的等势线分布特征,采用极小判定法得到数据聚类结果.通过人工合成数据集实验测试,结果表明,对于随机分布的大规模数据集的聚类效果和聚类精确度,此算法优于ICC和DFCM的双重聚类算法,且具有较低的时间复杂度和良好的可扩展性.(本文来源于《微电子学与计算机》期刊2016年02期）
陈平华,陈传瑜[4]（2015）在《基于云模型的用户双重聚类推荐算法》一文中研究指出协同过滤是一种应用广泛的推荐算法,但存在着效率低和数据稀疏等问题。为解决这些问题,提出了一种改进的聚类推荐算法。该算法引用云模型,先从项目属性和用户属性两方面计算云模型期望、熵和超熵,并考虑到评分时间、评分高低和评分习惯等因素的影响,建立用户兴趣模型;接着,采用基于云模型的修正相似度量方法进行用户兴趣相似度比较,并使用K-means算法进行聚类;最后,利用参与预测人数的比例对公共项目进行推荐结果合并。在MovieLens上的实验结果表明,该算法不仅可以解决效率低和数据稀疏等问题,还提高了推荐的准确性。(本文来源于《计算机工程与科学》期刊2015年07期）
翟烁[5]（2015）在《基于用户兴趣和双重聚类融合的协同过滤算法的优化研究》一文中研究指出协同过滤技术是目前应用最多的一种推荐技术,这项技术从用户提供的信息中展开发掘,按"物以类聚,人以群分"的原则产生和目标用户(或项目)相似性高的最近邻,从中预测评分,进而产生推荐。但是由于评分信息稀疏化就会造成无法适应用户兴趣,而且推荐的实时性差等问题。针对上述问题,文章提出了一种带有改进的用户-项目类型喜好相似性的计算方法完善用户兴趣改变的问题,并且结合了优化后的双重k-means聚类,使搜索最近邻的范围大大减少,从而提高了推荐算法的实时性。实验结果表明,该优化后的协同过滤推荐算法能通过时间相似性更好地适应用户兴趣的变化,推荐的精度最精确,效果更易使用户满意。(本文来源于《无线互联科技》期刊2015年05期）
陈新泉[6]（2013）在《面向混合属性数据集的双重聚类方法》一文中研究指出面对复杂信息环境下的数据预处理需求,提出了一种可以处理混合属性数据集的双重聚类方法。这种双重聚类方法由双重近邻无向图的构造算法或其改进算法,基于分离集合并的双重近邻图聚类算法、基于宽度优先搜索的双重近邻图聚类算法、或基于深度优先搜索的双重近邻图聚类算法来实现。通过人工数据集和UCI标准数据集的仿真实验,可以验证,尽管这叁个聚类算法所采用的搜索策略不同,但最终的结果是一致的。仿真实验结果还表明,对于一些具有明显聚类分布结构且无近邻噪声干扰的数据集,该方法经常能取得比K-means算法和AP算法更好的聚类精度,从而说明这种双重聚类方法具有一定的有效性。为进一步推广并在实际中发掘出该方法的应用价值,最后给出了一点较有价值的研究展望。(本文来源于《计算机工程与科学》期刊2013年02期）
施华[7]（2009）在《基于项目和用户双重聚类的协同过滤推荐算法》一文中研究指出随着互联网的普及和电子商务应用的广泛深入,人们在享受网上购物便捷性的同时也陷入了信息过载的困境,用户在大量的产品信息中难以找到自己需要的商品。因此,电子商务推荐系统应运而生。推荐系统在电子商务平台上扮演销售人员的角色,向用户推荐商品,帮助用户找到所需商品,从而顺利完成购买过程。电子商务推荐系统在应用中具有良好的发展和应用前景,逐渐成为一个重要研究内容,得到了越来越多的关注。本文对电子商务推荐系统进行了较深入的研究,详细分析了各种个性化推荐技术在电子商务推荐领域的应用现状和前景。协同过滤技术是目前推荐系统中应用最早和最为成功的技术之一,其发展面临着两个叁个主要挑战:提高协同过滤算法的可扩展性;降低推荐系统数据集的稀疏性;提高推荐质量。针对这些问题本文提出一个改进的协同过滤算法—基于用户和项目双聚类的协同过滤推荐算法,此算法拥有基于用户聚类的协同过滤算法和基于项目聚类的协同过滤算法的优点,并摒弃了其缺点。(本文来源于《东北师范大学》期刊2009-06-01）
吴彬[8]（2007）在《基于双重聚类推荐系统的设计与实现》一文中研究指出近年来随着计算机网络技术的飞速发展以及各国对教育重视程度的不断增强，利用网络这种现代化的沟通方式进行教育的现象在一些国家已经非常普遍。目前，网络教育资源不仅种类繁多，而且其数量非常巨大。这就需要开发网络教育资源管理软件，对网络教育资源进行有效的管理，并能随时、高效地从大量的网络教育资源中提取和组织用户所需要的资源信息。教育资源网主要目标是对繁多的网络教育资源进行有效的组织和管理，以便于网络教育资源的高度共享和便利获取，从而加快网络教育资源的开发和利用，进一步促进网络教育的发展。推荐系统作为电子商务中一个重要的计算机应用，不仅在研究领域获得了广泛关注，而且在实际的电子商务系统中也得到了广泛应用。然而，推荐系统也面临着一系列的挑战，所以对推荐系统的研究具有非常重要的现实意义。教育资源网推荐系统采用双重聚类推荐技术，根据用户已往的评价记录，为用户推荐其可能感兴趣的资源，从而实现用户的个性化资源推荐的功能。该功能为用户在大量资源中查找感兴趣的资源提供了方便快捷的途径。本文首先介绍了论文研究的背景和意义，然后详细介绍了推荐系统的分类、构成、工作流程以及常用的推荐技术，最后依据前面的介绍，对教育资源网中的推荐系统进行了具体的设计和实现。本文的主要意义在于，首先运用聚类技术对用户和资源分别进行聚类，然后利用聚类结果进行协同过滤推荐，由于聚类部分离线周期进行，大大缩短了在线的推荐时间；然后将经典的余弦相似性计算公式运用到双重聚类算法中，省去规范化处理操作，减少运算量；最后结合实际的需要，实现一个资源推荐系统。(本文来源于《华东师范大学》期刊2007-10-01）
双重聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
“信息过载”使我们获取有效信息变得困难,而个性化推荐算法正是对该问题而提出的解决方案,个性化推荐算法中又以协同过滤算法发展最好、应用最为广泛。协同过滤算法通过分析用户对项目的评分信息,找出其中评分数值相似的用户(或项目),通过这些相似用户(或项目)具有的评分信息,对目标用户提供推荐。但是协同过滤中存在着由于项目维度过高、用户评分数据过于稀疏的稀疏性问题,用户兴趣是不断变化的用户兴趣变化问题,以及新用户和新项目由于信息量过少而导致的冷启动问题。上述的这些问题都将会使得协同过滤算法的推荐结果准确度变得偏低,影响整个推荐算法的性能。针对这些缺点,本文中提出了一种新的基于用户与项目的双重聚类协同过滤算法,该算法在前人研究的基础之上,对这些问题都提出了针对性的改进方案。针对数据稀疏性问题,算法中使用用户与项目的双重聚结果,利用聚类结果中同属类的其他用户或项目,对空白评分项进行填充。此种方式得到的填充结果较为可信,在缓解数据稀疏性问题上能够起到非常大的作用。针对用户的兴趣不断变化问题,算法中利用艾宾浩斯遗忘曲线为根据,利用该曲线来描述用户兴趣随时间改变的趋势。在计算用户间相似度时,对用户不同时间的评分进行加权处理,从而获取到的相似度更符合用户当前的实际情况。针对冷启动问题,算法中使用了融合用户属性的用户相似度计量方式和融合项目的项目相似度计量方式两种新型相似度计算方法,充分利用用户和项目自身所具有的的属性,对它们进行相似度分析,使得新用户与新项目也能够找到对应邻居。最后,对本文中的基于用户与项目双重聚类的协同过滤算法进行实验,验证其有效性和准确性。实验中采用的数据集为Movie Lens数据集,实验过程中分别正对算法中的改进项一一进行实验,验证其有效性,最后实验验证整体算法的有效性。最后实验表明,本文算法相比于前人提出的传统协同过滤算法有着更好的推荐结果。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
双重聚类论文参考文献
[1].刘帆洨,彭其渊,鲁工圆,潘金山.基于KFCM双重聚类的铁路客运产品类别划分[J].交通运输工程与信息学报.2019
[2].郑健.基于用户与项目双重聚类的协同过滤算法的研究与分析[D].北京工业大学.2017
[3].石美红,赵辉,贾郑磊,雷燕,张祥俊.基于数据场的无线传感网数据双重聚类算法[J].微电子学与计算机.2016
[4].陈平华,陈传瑜.基于云模型的用户双重聚类推荐算法[J].计算机工程与科学.2015
[5].翟烁.基于用户兴趣和双重聚类融合的协同过滤算法的优化研究[J].无线互联科技.2015
[6].陈新泉.面向混合属性数据集的双重聚类方法[J].计算机工程与科学.2013
[7].施华.基于项目和用户双重聚类的协同过滤推荐算法[D].东北师范大学.2009
[8].吴彬.基于双重聚类推荐系统的设计与实现[D].华东师范大学.2007
标签：铁路运输; 客运产品; 有效能力隶属度; 核模糊C均值聚类(KFCM);