基于Web挖掘的个性化推荐系统研究

摘要

随着互联网的迅猛发展，我们迈进了大数据时代。随之而来的信息超载问题也日益明显。推荐系统应运而生，在信息的生产者与消费者之间架起了沟通的桥梁，根据用户偏好将个性化信息推送给用户。本文介绍了个性化推荐技术，通过分析协同过滤算法的原理及其不足，改进了传统的协同过滤推荐算法，并在此基础上构建了基于Web挖掘的个性化推荐系统。
　　论文研究并设计实现了基于Web挖掘的个性化推荐系统。主要完成了如下研究工作：
　　1.研究了基于协同过滤算法的个性化信息推送方法，解决了传统的协同过滤中存在的邻居集误判、兴趣漂移等问题。
　　2.细粒度地考虑用户差异性以及项目差异性对相似度的影响，优化了相似度计算方法。
　　3.考虑了时间维度对用户兴趣度的影响，模拟人脑记忆规律动态改变用户兴趣度。
　　4.设计了推荐可信度机制预测用户对项目的评分，提高了推荐准确率。
　　5.针对传统协同过滤推荐算法数据稀疏、冷启动等问题，引入了Web挖掘技术，建立了新的用户兴趣模型，综合利用用户的隐式、显式行为，通过挖掘用户的行为日志将用户的隐式行为转换成隐式的用户-项目评分，再用隐式的用户-项目评分填充显式的用户-项目评分。
　　实验结果表明，基于 Web挖掘的个性化推荐系统能够进一步提高推荐准确率和覆盖率。

目录

声明

第1章 绪 论

1.1 课题背景

1.2 研究目的及意义

1.3 研究现状

1.4 本文研究内容及组织

第2章 个性化推荐技术

2.1 个性化推荐技术概述

2.2 个性化推荐系统评价

2.3 本章小结

第3章 Web挖掘技术

3.1 Web挖掘技术概述

3.2 Web挖掘方法

3.3 本章小结

第4章 改进的协同过滤算法

4.1 协同过滤简介

4.2 优化相似度计算方法

4.3 兴趣动态建模

4.4 推荐可信度机制

4.5 实验与结果分析

4.6 本章小结

第5章 基于Web挖掘的个性化推荐系统设计

5.1用户偏好行为

5.2 Web日志处理

5.3 用户-兴趣建模架构

5.4 基于Web挖掘的个性化推荐系统

5.5 本章小结

第6章 实验与分析

6.1 实验数据源

6.2 日志预处理

6.3 实验结果与分析

6.4 本章小结

第7章 结 论

7.1 论文总结

7.2 工作展望

参考文献

攻读硕士学位期间发表的学术论文

攻读硕士学位期间参与的科研项目

致谢