个性化智能推荐引擎算法研究及应用

摘要

互联网已经逐渐走入人们的生活,人们对信息的利用也逐渐变的全球化,通过网络来获取信息变的日常化。近年来,互联网信息数据量爆炸式增长,海量信息充斥着互联网,用户越来越难准确找到自己所需要的信息,―信息过载‖问题成为互联网发展的巨大挑战。
　　个性化推荐技术作为目前解决信息过载最有效的工具之一。通过推荐引擎能够帮助用户智能过滤信息。基于目前行业比较流行的推荐技术,协同过滤推荐技术、内容过滤推荐技术能够进行一定程度的智能推荐。但是在实际应用过程中依然面临的诸如推荐质量低、自动化程度差、冷启动问题、实时响应差等挑战。通过分析单一协同过滤和单一内容过滤技术的优缺点,在基于协同过滤的技术中,融合内容过滤技术,提出了混合推荐算法的思想。利用项目内容弥补用户对项目的缺失评分,从而使用内容过滤为用户寻找相似邻居,然后就可以使用协同过滤技术产生推荐结果。从理论上通过使用KNN算法的内容过滤技术对稀疏矩阵进行补充,能够提高协同过滤推荐的质量,从而提高最终推荐质量。基于以上混合推荐算法的思想和理论,设计异步在线、离线模块,实现了混合推荐算法,并最终通过平均绝对偏差的衡量标准进行结果评估,验证了混合推荐算法优越性。
　　最后,设计实现了一个基于混合推荐算法的电影推荐系统。该系统基于探讨的混合推荐算法,提供个性化推荐服务,并综合了用户行为记录的方法,从不同角度收集用户的兴趣爱好,获取用户信息,提升了系统的用户体验。

目录

封面

中文摘要

英文摘要

目录

1 绪论

1.1 研究意义和背景

1.2 国内外相关领域现状及研究方向

1.3 研究内容和组织结构

2 个性化智能推荐引擎分析

2.1 个性化智能推荐引擎的概念

2.2 个性化智能推荐引擎的框架结构

2.3 个性化智能推荐引擎的分类

2.4 面临的挑战和研究方向

2.5 本章小结

3 个性化智能推荐技术

3.1 混合推荐算法研究背景

3.2 数据集采样

3.3 混合推荐算法

3.4 推荐算法实验结果对比

3.5 本章小结

4 推荐引擎的实现及应用

4.1 推荐引擎服务目标

4.2 推荐引擎的分析

4.3 推荐引擎的设计

4.4 推荐引擎实现与实验结果分析

4.5 本章小结

5 总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献