论文摘要
伴随着21世纪信息和网络技术高速发展,社交网络融入到我们的日常生活中,同时带来的还有无尽的信息。面对着信息的过载、信息的泛滥,我们常常感到束手无策,无法从这些信息中筛选出真正需要的那部分。所以个性化推荐算法研究应运而生。本文对个性化推荐算法和个性化推荐引擎架构进行了细致的分析,主要的研究方向有以下几点。首先,介绍了个性化推荐引擎的历史,给出了一些个性化推荐引擎实例,分析它们各自的实现方式,并总结了优缺点,提出了改进方案。接下来,分析了个性化推荐算法的具体实现方式,将协同过滤算法作为个性化推荐引擎的主要推荐算法,定义出了两种协同过滤实现,分别是基于内容(Item-based)的协同过滤实现和基于用户(User-based)的协同过滤实现。然后,结合社交网络中的用户间关系特性,构建符合社交网络的推荐算法,最终提出了基于社会化标签体系的个性化推荐引擎架构。介绍了资源相似性的计算公式以及预测推荐结果集相关公式,加入解决干扰推荐结果集干扰因子的选项,从本质上使得最终的推荐结果准确而且快速。最后,以前文提到的算法和架构为原型实现了个性化推荐系统。
论文目录
摘要Abstract第1章 绪论1.1 本论文研究的背景和意义1.2 社交网络综述1.3 机器学习简介1.3.1 集群1.3.2 分类1.3.3 协同过滤1.4 推荐系统简介1.5 本论文的主要研究工作1.6 论文的组织形式第2章 个性化推荐引擎框架分析2.1 个性化推荐引擎发展历史及其现状分析2.2 个性化推荐引擎的未来发展趋势2.3 个性化推荐引擎框架介绍2.3.1 基于内容的推荐引擎2.3.2 基于内容的自适应推荐引擎2.3.3 基于相似用户的推荐引擎2.3.4 基于用户间关系的推荐引擎2.4 个性化推荐引擎框架分析2.5 个性化推荐引擎框架改进方案2.5.1 个性化推荐引擎改进范围2.5.2 改进的推荐框架2.5.3 推荐引擎数据模型图2.6 本章小结第3章 个性化推荐算法研究3.1 协同过滤算法中的一些定义3.1.1 概念定义3.1.2 评分体系3.2 基于用户(User-based)的相似度3.2.1 基于显性评分(explicit rating)的相似度计算3.2.2 基于隐性评分(implicit rating)的相似度计算3.3 基于内容(Item-based)的相似度3.3.1 基于显性评分(explicit rating)的相似度计算3.3.2 基于内容分类位图(item-category bitmap)的相似度计算3.4 推荐预测算法介绍3.4.1 基于用户(User-based)的预测算法3.4.2 基于内容(Item-based)的预测算法公式3.5 相关实验结果3.5.1 数据来源3.5.2 推荐预测算法的准确率3.6 数据稀疏及其解决办法3.7 本章小结第4章 基于社会化标签体系的协同过滤推荐算法4.1 社会化标签体系介绍4.2 推荐算法4.2.1 相关内容介绍4.2.2 基于社会化标签体系的推荐算法4.3 个性化推荐的框架结构4.4 社会化标签体系的建立过程4.4.1 标签簇的建立过程4.4.2 阈值的确立4.5 相关实验结果4.5.1 数据来源4.5.2 各种推荐算法的准确率对比4.6 本章总结第5章 个性化推荐算法的应用5.1 系统详细设计5.1.1 系统结构设计5.1.2 系统数据库模型设计5.2 推荐引擎的实现5.2.1 系统登录5.2.2 用户个人信息5.2.3 推荐结果集5.3 本章总结结论参考文献致谢
相关论文文献
标签:社交网络论文; 协同过滤论文; 社会化标签论文; 个性化推荐论文;