本文關鍵詞：信息推薦模型及其應用研究，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著互聯網的迅速發(fā)展,為人們的生活帶來了翻天覆地的變化,人們已經進入了一個無所不有的信息時代。通過互聯網人們可以獲得大量的信息。但是,由于信息的過量,也帶了一些負面的影響。雖然搜索引擎技術滿足了人們的一些需要,但它需要用戶主動的去搜索信息,當一個用戶試圖用搜索引擎搜索信息時,傳統(tǒng)的信息檢索技術就會返回給用戶包含查詢關鍵字的網頁,返回的結果頁面可能會有很多不相關的內容,也會丟失部分重要的關鍵頁面。人們如何從信息的海洋中找到符合自己要求的有用的信息,并實現智能化的推薦已經成為了研究的關鍵。于是,信息推薦系統(tǒng)應運而生。推薦系統(tǒng)的目的就是在信息消費者和信息生產者之間搭建一個橋梁,信息消費者可以通過信息推薦技術發(fā)現對自己有用的信息,信息生產者通過分析信息消費者的數據對消費者展現其感興趣的信息。個性化信息推薦和搜索引擎是不一樣的,搜索引擎是一種被動的推薦,而個性化信息推薦需要研究用戶的信息特征,是一種主動的推薦。信息推薦系統(tǒng)的核心是推薦算法。本論文首先介紹了現有的各個推薦算法的實現原理,包括基于人口統(tǒng)計學的推薦算法、基于內容的推薦算法、協同過濾推薦算法和混合推薦算法,分析了它們的優(yōu)點和不足。詳細介紹了Slop One算法,Slop One算法的本質是協同過濾算法的一種,該算法因為它容易實現、易于理解而受到廣泛的關注。SlopOne算法是通過計算評分項目間的差值來實現推薦的,但是由于該算法只考慮了評分項目之間的關系,沒有把用戶之間的相似性考慮進去,從而限制了該算法推薦的準確度。所以本論文在原有的加權Slop One算法上把用戶的相似性考慮進去,把改進的算法稱為融合用戶因素的Slop One算法。本論文在MovieLens數據集上對改進的融合用戶因素的Slop One算法和傳統(tǒng)的Slop One算法進行了對比試驗,實驗結果表明,融合用戶因素的Slop One算法的平均絕對誤差的值比傳統(tǒng)的Slop One算法的值小,證明了融合用戶因素的Slop On e算法的有效性和可行性。此外,在文章的最后,實現了一個簡易的電影推薦系統(tǒng)模型,實現了其核心的推薦功能。
【關鍵詞】：信息過量 信息推薦 推薦算法 Slop One算法
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-14
• 1.1 研究背景與意義10
• 1.2 國內外研究現狀10-12
• 1.3 論文主要研究內容與章節(jié)安排12-14
• 1.3.1 論文的主要研究內容12-13
• 1.3.2 論文的章節(jié)安排13-14
• 第2章 推薦技術的研究與分析14-22
• 2.1 個性化信息推薦系統(tǒng)的簡介14
• 2.2 推薦算法分析14-19
• 2.2.1 基于人口統(tǒng)計學的推薦算法14-15
• 2.2.2 基于內容的推薦算法15-16
• 2.2.3 協同過濾推薦算法16-18
• 2.2.4 混合推薦算法18-19
• 2.3 Slop One推薦算法19-21
• 2.3.1 Slop One算法分析19-20
• 2.3.2 加權Slop One算法分析20-21
• 2.3.3 Slop One算法的優(yōu)點與不足21
• 2.4 本章小結21-22
• 第3章 融合用戶因素的Slop One算法22-30
• 3.1 引言22
• 3.2 相似度測量方法的研究與分析22-26
• 3.2.1 皮爾森相關系數分析22-23
• 3.2.2 歐幾里德距離相似度分析23-24
• 3.2.3 余弦相似度24-25
• 3.2.4 改進的余弦相似度分析25-26
• 3.2.5 斯皮爾曼等級相關分析26
• 3.3 融合用戶因素的Slop One算法26-29
• 3.3.1 融合用戶因素的Slop One算法分析26-27
• 3.3.2 融合用戶因素的Slop One算法的實現過程27-29
• 3.4 融合用戶因素的Slop One算法的復雜性分析29
• 3.5 本章小結29-30
• 第4章 實驗與實驗結果分析30-36
• 4.1 實驗數據集30-31
• 4.2 實驗度量標準31
• 4.3 實驗環(huán)境31
• 4.4 實驗目的31-32
• 4.5 實驗結果及分析32-35
• 4.6 本章小結35-36
• 第5章 電影推薦模型的實現36-43
• 5.1 引言36
• 5.2 電影推薦模型的系統(tǒng)設計36-39
• 5.2.1 系統(tǒng)的主要功能36-38
• 5.2.2 系統(tǒng)的總體框架38-39
• 5.3 電影推薦模型的運行環(huán)境及其配置39
• 5.4 數據庫表設計39-40
• 5.5 實現界面40-42
• 5.6 本章小結42-43
• 第6章 結論與展望43-45
• 6.1 論文總結43
• 6.2 論文展望43-45
• 參考文獻45-48
• 致謝48

【參考文獻】

中國期刊全文數據庫 前2條

1 郭艷紅;鄧貴仕;;協同過濾系統(tǒng)項目冷啟動的混合推薦算法[J];計算機工程;2008年23期

2 劉聰;張璇;王黎霞;趙倩;楊帥;;改進的基于用戶數據的協同過濾推薦方法[J];計算機應用與軟件;2014年08期

中國碩士學位論文全文數據庫 前2條

1 周濤;基于用戶情境的協同推薦算法研究與應用[D];重慶大學;2010年

2 張月蓉;基于混合推薦的電影推薦系統(tǒng)的研究與實現[D];安徽大學;2013年

  本文關鍵詞：信息推薦模型及其應用研究，，由筆耕文化傳播整理發(fā)布。

本文編號：373885