菜单
  

    协同过滤推荐方法已经广泛应用于各种推荐系统中,在个性化推荐中具有重要地位,其主要包括两种推荐机制:基于记忆的推荐和基于模型的推荐。多年实践证明,后者的推荐结果准确度更高、效果更好。本次研究采用了SVD算法模型开发推荐系统的推荐引擎部分,利用SVD可以约简数据,从而可以用小的多的数据集来表示比较大的原始数据集[3]。Netflix Prize的获得者Koren是将SVD应用于推荐系统的第一人。
    1.2    国内外研究现状
    1.3    论文结构
    本文介绍了电影推荐系统的推荐引擎和系统功能实现两大部分,着重研究了本系统的需求分析、系统设计与实现,并进行了相应的测试。主要包括如下几部分内容。
    第1章:简要介绍本课题的研究背景以及国内外推荐系统的发展和现状。
    第2章:对推荐系统的基础理论、本系统中采用的推荐算法以及相应的评价指标进行简要介绍。
    第3章:对系统进行详细的需求分析,包括功能需求和非功能需求两部分,在分析过程中输出各个用况的详细描述,为之后的设计与实现奠定基础。
    第4章:根据第3章需求分析的结果对系统进行设计。
    第5章:简要介绍实现推荐引擎和系统功能的具体步骤,对本系统进行全面测试,并且对测试结果进行分析。
    第6章:总结经验与展望未来。
    2    推荐系统基础知识
    2.1    推荐系统基础理论
    推荐系统的推荐过程包括前期数据的准备、具体推荐的过程、后期数据的预测、效果评估等等,是一套完善的推荐机制。
    推荐系统的算法模型主要分为三种:协同过滤推荐、基于内容的推荐和混合推荐[9]。这三种推荐模型各有优劣,其中协同过滤推荐应用最为广泛。协同过滤的基本思想是:具有相同或相似的价值观、思想观、知识水平、以及兴趣偏好的用户,其对信息的需求与偏好也是相似的[10]。协同过滤又分为以下几个类别:基于物品的协同(ItemCF)、基于用户的协同(UserCF)和基于模型的协同(ModelCF)[11]。其中,基于模型的协同又可以分为以下几种类型:基于距离的协同;基于奇异值分解的协同(SVD);基于图模型协同(Graph)。
    本次研究采用了SVD算法模型实现推荐系统的推荐引擎部分,推荐系统总体架构图如图1所示。本次研究的所有数据存储在MySQL数据库中,采用SVD算法进行建模并对模型进行训练,采用排序规则将产生的推荐结果推荐给用户,并将用户的行为反馈给后台完善数据库中的相关信息。
  1. 上一篇:ThinkPHP+mysql大学生课程设计管理系统开发+源代码
  2. 下一篇:ASP房屋租赁业务管理信息系统的设计与实现
  1. 基于MATLAB的图像增强算法设计

  2. jsp+sqlserver高校二手商品交...

  3. 基于Kinect的手势跟踪与识别算法设计

  4. JAVA基于安卓平台的医疗护工管理系统设计

  5. 基于核独立元分析的非线...

  6. 基于Hadoop的制造过程大数据存储平台构建

  7. jsp公交刷卡数据统计系统图表的设计与实现

  8. 十二层带中心支撑钢结构...

  9. 杂拟谷盗体内共生菌沃尔...

  10. 当代大学生慈善意识研究+文献综述

  11. java+mysql车辆管理系统的设计+源代码

  12. 中考体育项目与体育教学合理结合的研究

  13. 乳业同业并购式全产业链...

  14. 大众媒体对公共政策制定的影响

  15. 酸性水汽提装置总汽提塔设计+CAD图纸

  16. 电站锅炉暖风器设计任务书

  17. 河岸冲刷和泥沙淤积的监测国内外研究现状

  

About

751论文网手机版...

主页:http://www.751com.cn

关闭返回