基于BTM的个性化推荐系统研究与应用

摘要

随着互联网的高速发展和数据的爆炸性增长，用户面临着日益严重的信息过载问题，社会化媒体的兴盛使用户更加容易淹没在信息的海洋中。推荐系统作为一种比搜索引擎更加高效的信息过滤技术，逐渐地成为各个社会化媒体的主要功能之一。
　　传统的推荐技术大多基于用户关系，难以有效地挖掘用户兴趣。本文在结合一元混合模型和LDA模型的基础上，引入了BTM用户兴趣建模技术，较好地解决了传统的向量空间模型维度高、矩阵稀疏和一词多义等问题，同时针对社会化媒体中的用户特征和数据特点进行了改进，并基于此设计和实现了一个包含数据收集模块、预处理模块、兴趣分析模块和个性化推荐模块的个性化推荐系统。论文的主要工作如下:
　　首先，研究和探讨了用户建模和推荐算法等推荐系统相关技术，其中重点研究了基于内容的推荐以及协同过滤推荐，并结合具体的应用场景分析了各自的优点和缺点。
　　其次，本文结合一元混合模型和LDA模型，引入了基于BTM的用户兴趣建模方法并详细阐述了BTM的原理和建模过程，同时针对社会化媒体中的用户特征和数据特点进行了改进，通过在真实数据集上的实验，验证了BTM在社会化媒体中用户兴趣建模的可行性和有效性。
　　最后，基于以上研究成果，本文设计并实现了一个包含数据收集模块、预处理模块、兴趣分析模块和个性化推荐模块的个性化推荐系统，并在真实数据集上进行模拟推荐，实验结果表明针对社会化媒体的BTM建模方法具有良好的效果，能有效地帮助用户发现其感兴趣的信息。

目录

声明

摘要

第一章 绪论

1．1 研究背景与研究意义

1．2 研究现状与存在问题

1．3 论文主要工作

1．4 论文结构安排

第二章 推荐系统相关技术研究

2．1 推荐系统概述

2．2 用户建模

2．2．1 用户数据收集

2．2．2 用户模型建立

2．2．3 用户模型更新

2．3 推荐算法

2．3．1 基于内容的推荐

2．3．2 协同过滤推荐

2．3．3 社会化推荐

2．3．4 推荐算法评价

2．4 本章小结

第三章 基于主题模型的用户兴趣研究

3．1 LDA主题模型

3．1．1 模型概述

3．1．2 模型原理

3．2 社会化媒体平台数据分析

3．2．1 数据收集

3．2．2 数据分析与处理

3．3 基于BTM的用户兴趣模型

3．3．1 模型概述

3．3．2 模型原理

3．3．3 在社会化媒体中的改进

3．4 模型实验及结果分析

3．4．1 实验数据

3．4．2 评价方法

3．4．3 实验设计

3．4．4 实验结果及分析

3．5 本章小结

第四章 基于用户兴趣的推荐系统设计与实现

4．1 系统简介

4．2 系统总体设计

4．2．1 总体架构设计

4．2．2 功能模块设计

4．3 详细设计与实现

4．3．1 数据收集模块

4．3．2 预处理模块

4．3．3 兴趣分析模块

4．3．4 个性化推荐模块

4．4 本章小结

第五章 系统实验及结果分析

5．1 实验数据

5．2 评价方法

5．3 实验设计

5．4 实验结果及分析

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

攻读硕士期间的研究成果

致谢