基于改进协同过滤算法的个性化新闻推荐系统的研究与实现

摘要

随着网络与信息技术的飞速发展，大量信息快速涌现，网络资源呈指数式增长，用户很难快速找到需要的信息。作为信息数据过滤的重要方法，个性化推荐系统被广泛认为是解决信息数据过载问题的有效途径，并在各领域得到了广泛应用。虽然个性化推荐系统已经取得了不错的成绩，但是仍然在多方面存在缺陷，如：推荐质量受数据稀疏性问题和冷开始问题影响严重、系统可扩展性差、推荐实时性差等。
　　针对个性化推荐系统存在的上述不足，本文对个性化新闻推荐系统采用的协同过滤推荐算法进行了深入的、有价值的探索研究，期望帮助读者从海量新闻资讯中快速准确的找到其感兴趣的新闻并获得期望的阅读体验。本文的主要工作为：
　　①对个性化推荐相关技术及其研究现状进行综述。
　　②提出一种改进混合用户模型的协同过滤推荐算法（IHUMCF）。首先，IHUMCF提出一种新的用户兴趣建模方法，此方法在传统用户-项目评分矩阵基础上，融入项目属性和用户人口统计信息，把用户-项目评分矩阵转化为基于用户兴趣特征和项目属性特征的混合评分矩阵（MRM），提高了用户模型的信息密度。其次，IHUMCF提出一种新的相似度计算方法，针对用户评分尺度差异性问题，IHUMCF在用户相似度计算过程中引入了用户评分合理因子，以此改进用户相似度计算方法，提升查找最近邻居集的准确度。
　　③设计并实现了基于IHUMCF算法的个性化新闻推荐系统，经验证，此系统具有为用户个性化推荐的功能，且具有良好的性能，同时证明了基于IHUMCF算法的个性化新闻推荐系统推荐效果有明显提升。
　　本文提出的IHUMCF推荐算法不仅能够有效地弥补传统协同过滤算法中的一些不足，还能提升推荐的精准度，为个性化新闻推荐系统的改进提供了新思路。

目录

1 绪 论

1.1 研究背景及意义

1.2 研究现状

1.3 论文研究内容

1.4 论文组织结构

2 个性化推荐技术综述

2.1 推荐系统概述

2.2 推荐算法

2.3 推荐系统面临的问题与挑战

2.4本章小结

3 基于改进混合用户模型的协同过滤推荐算法

3.1现有协同过滤算法的分析

3.2 基于改进混合用户模型的协同过滤推荐算法

3.3 实验结果及分析

3.4 本章小结

4 基于协同过滤的个性化新闻推荐系统的设计与实现

4.1 系统需求分析

4.2 系统总体设计

4.3 系统详细设计

4.4 测试结果

4.5 功能界面展示

4.6 本章小结

5 总结与展望

致谢

参考文献