基于Java的个性化推荐系统研究

论文摘要

随着以Internet为主体的信息高速公路的不断普及和发展,信息技术己经渗透到我们日常生活的各个角落,面对信息的汪洋大海,人们往往感到束手无策,无所适从,出现所谓的“信息过载”和“信息迷向”的现象。如何快速准确的在网络中找到自己需要的信息,并且以更为人性化的方式为用户提供服务,真正以用户为中心的个性化搜索引擎已经成为目前网络搜索技术研究领域的热点课题之一。为了解决上述的问题,建立在海量数据挖掘基础上得个性化推荐系统便应运而生。本文对个性化推荐系统实现过程中的各个环节进行了深入的研究和探讨,着重对以下几个方面进行了深入细致的研究：首先,分析了多个推荐系统及其框架的技术特点和发展趋势,并对个性化推荐过程中的用户模型问题做了详细的论述,对当前流行的几种用户建模理论进行了分析和讨论。本文对传统的个性化协同推荐算法的基础架构进行分析,提出了一种开放式的个性化推荐系统框架。在该框架中,可以采用多种个性化的推荐技术,可以提高推荐系统的实时性,增强系统的伸缩性,提出的新型开放式的推荐框架可以很容易的采用各种个性化的推荐技术,实现有效的多种推荐技术的集成。然后,本文重点讨论个性化协同推荐技术,采用各种聚类算法对用户模式进行聚类,然后利用聚类之后的虚拟用户来进行协同推荐,该方法可以有效的提高实时推荐的速度；利用同义词词林对用户兴趣向量进行语义相似度计算,实现了基于内容的推荐算法的应用；在框架内实现基于统计贝叶斯方法的模型协同推荐算法。最后,在上述分析和研究的基础上设计并实现了个性化网络学习推荐原型系统,并以图书推荐这一简单的范例展现了系统的部分功能。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文主要工作
• 1.4 本文篇章结构
• 第二章 个性化推荐系统及其框架
• 2.1 个性化推荐概述
• 2.2 用户模型
• 2.2.1 用户模型表示
• 2.2.2 用户信息来源
• 2.2.3 用户兴趣获取
• 2.2.4 用户建模技术
• 2.2.5 用户模型评价
• 2.3 个性化推荐系统架构
• 2.4 个性化推荐系统架构分析
• 2.5 个性化推荐框架改进
• 2.5.1 个性化推荐框架发展趋势
• 2.5.2 个性化推荐框架改进
• 2.5.3 组件设计
• 2.6 小结
• 第三章 个性化推荐算法研究
• 3.1 基于协同的过滤推荐算法
• 3.2 基于内容的过滤技术
• 3.3 基于同义词词林的语义相似度计算
• 3.4 小结
• 第四章 基于聚类模型的协同过滤推荐算法
• 4.1 聚类分析概述
• 4.2 基于聚类的协同过滤推荐算法
• 4.3 朴素贝叶斯方法
• 4.4 相似性度量
• 4.5 数据实验与结果分析
• 4.6 小结
• 第五章 个性化推荐框架的应用
• 5.1 本章主要技术
• 5.2 系统的设计
• 5.2.1 个性化网络学习系统框架结构
• 5.2.2 系统数据库设计
• 5.2.3 系统Hibernate模块实现
• 5.2.4 系统推荐模块设计
• 5.3 系统实现
• 5.3.1 用户模型及资源模型
• 5.3.2 系统服务
• 5.4 小结
• 第六章 结论及展望
• 致谢
• 参考文献
• 附录