基于社会化标签体系的个性化推荐引擎技术研究

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