文学作品的个性化推荐算法研究与实现
发布时间：2021-04-29 18:01
文学作品随着时间推移无论数量还是种类都日益丰厚,得到了读者的喜爱。载有文学作品的网站不断涌现,相比传统书店方便了人们的阅读,比如说豆瓣图书,比如说各种各样的电商网站。为了解决文学作品数量以及品类不断增多的问题,推荐算法应运而生。这些算法被各种各样的网站引进使用,根据读者的特性以及书籍的特性进行针对性推荐,这样的效果远远好于以往的纯粹搜索算法。但是,随着人口的急剧增加以及读者的要求越来越多样化以及书籍种类数量急剧增长,以往的陈旧的推荐算法并不能实时的有效的精准推荐,使得推荐效果不理想,读者不能确切的得到自己真正想要的符合细微要求的文学作品,这就使得读者体验不佳,有提升的需要。本文研究内容:1.对读者评论文本进行了定性分析,传统信息增益算法（IG,Information Gain）并没有密切注意到特征项在类内和类间的分布状况,此文对此进行了改进,然后将读者的评论文本分析后化作等级评定分值,融入到原始纯粹评分中,两种分值分配权重后形成新的分值。提出基于类间集中度和类内分散度权重信息增益算法（DWIG,Distribution Weighted Information Gain）,能够根据特征...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景和意义
1.2 国内外研究现状
1.2.1 基于内容的推荐算法
1.2.2 协同过滤推荐算法
1.2.3 关联规则推荐算法
1.2.4 混合推荐算法
1.3 推荐算法面临的挑战
1.3.1 冷启动问题
1.3.2 数据稀疏性问题
1.3.3 实时性与准确性问题
1.4 论文组织和结构
第二章 推荐算法和文本处理算法
2.1 协同过滤推荐算法
2.1.1 基于内存的协同过滤推荐算法
2.1.2 基于模型的协同过滤推荐算法
2.2 基于内容的推荐算法
2.3 基于关联规则的推荐算法
2.4 基于效用推荐
2.5 基于知识推荐
2.6 混合推荐算法
2.7 推荐算法评价指标
2.7.1 准确性
2.7.2 覆盖率
2.8 常用的特征选择算法
2.8.1 文档频率
2.8.2 X2统计量
2.8.3 互信息
2.8.4 信息增益
2.8.5 期望交叉熵
2.9 本章小结
第三章 信息增益算法与TF-IDF算法的改进
3.1 信息增益算法的剖析与优化
3.1.1 信息增益算法的原理
3.1.2 信息增益算法的分析与改进
3.2 TF-IDF算法的分析与研究
3.2.1 TF-IDF算法的原理
3.2.2 TF-IDF算法的分析与改进
3.3 读者文本等级评分原理与实现
3.4 实验分析
3.4.1 特征选择算法实验
3.4.2 特征权重实验
3.4.3 两者结合对比实验
3.5 本章小结
第四章 基于社区划分与读者评分准则的个性化推荐算法
4.1 基于社区划分的个性化推荐算法
4.1.1 问题的提出
4.1.2 基于社区划分的个性化推荐算法
4.2 基于读者评分准则与文本等级评分的推荐算法
4.2.1 问题描述及挑战
4.2.2 算法实现
4.3 基于读者社区划分与准则因子的推荐算法实验
4.4 本章小结
第五章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于LDA的中文词语相似度计算[J]. 吕亚伟,李芳,戴龙龙. 北京化工大学学报(自然科学版). 2016(05)
[2]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[3]基于LDA的互联网广告点击率预测研究[J]. 朱志北,李斌,刘学军,胡平. 计算机应用研究. 2016(04)
[4]大数据时代自媒体定制新闻推荐研究——以《今日头条》APP为例[J]. 薛瑞环. 商. 2015(29)
[5]社会化标注环境下的标签共现谱聚类方法[J]. 李慧宗,胡学钢,何伟,潘剑寒. 图书情报工作. 2014(23)
[6]全民阅读活动的背景、特色与推动[J]. 汤更生,朱莺. 国家图书馆学刊. 2013(03)
[7]日本阅读推广体制研究[J]. 曹磊. 国家图书馆学刊. 2013(02)
[8]基于K-means聚类与张量分解的社会化标签推荐系统研究[J]. 孙玲芳,李烁朋. 江苏科技大学学报(自然科学版). 2012(06)
[9]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 张子柯,周涛,张翼成. Journal of Computer Science & Technology. 2011(05)
[10]一种社会化标注系统资源个性化推荐方法[J]. 郭伟光,李道芳,章蕾. 计算机工程与应用. 2011(10)
硕士论文
[1]基于Spark平台推荐系统研究[D]. 杨志伟.中国科学技术大学 2015
本文编号：3167920
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景和意义
1.2 国内外研究现状
1.2.1 基于内容的推荐算法
1.2.2 协同过滤推荐算法
1.2.3 关联规则推荐算法
1.2.4 混合推荐算法
1.3 推荐算法面临的挑战
1.3.1 冷启动问题
1.3.2 数据稀疏性问题
1.3.3 实时性与准确性问题
1.4 论文组织和结构
第二章 推荐算法和文本处理算法
2.1 协同过滤推荐算法
2.1.1 基于内存的协同过滤推荐算法
2.1.2 基于模型的协同过滤推荐算法
2.2 基于内容的推荐算法
2.3 基于关联规则的推荐算法
2.4 基于效用推荐
2.5 基于知识推荐
2.6 混合推荐算法
2.7 推荐算法评价指标
2.7.1 准确性
2.7.2 覆盖率
2.8 常用的特征选择算法
2.8.1 文档频率
2.8.2 X2统计量
2.8.3 互信息
2.8.4 信息增益
2.8.5 期望交叉熵
2.9 本章小结
第三章 信息增益算法与TF-IDF算法的改进
3.1 信息增益算法的剖析与优化
3.1.1 信息增益算法的原理
3.1.2 信息增益算法的分析与改进
3.2 TF-IDF算法的分析与研究
3.2.1 TF-IDF算法的原理
3.2.2 TF-IDF算法的分析与改进
3.3 读者文本等级评分原理与实现
3.4 实验分析
3.4.1 特征选择算法实验
3.4.2 特征权重实验
3.4.3 两者结合对比实验
3.5 本章小结
第四章 基于社区划分与读者评分准则的个性化推荐算法
4.1 基于社区划分的个性化推荐算法
4.1.1 问题的提出
4.1.2 基于社区划分的个性化推荐算法
4.2 基于读者评分准则与文本等级评分的推荐算法
4.2.1 问题描述及挑战
4.2.2 算法实现
4.3 基于读者社区划分与准则因子的推荐算法实验
4.4 本章小结
第五章 总结与展望
参考文献
致谢
【参考文献】：
期刊论文
[1]基于LDA的中文词语相似度计算[J]. 吕亚伟,李芳,戴龙龙. 北京化工大学学报(自然科学版). 2016(05)
[2]基于内容的推荐与协同过滤融合的新闻推荐方法[J]. 杨武,唐瑞,卢玲. 计算机应用. 2016(02)
[3]基于LDA的互联网广告点击率预测研究[J]. 朱志北,李斌,刘学军,胡平. 计算机应用研究. 2016(04)
[4]大数据时代自媒体定制新闻推荐研究——以《今日头条》APP为例[J]. 薛瑞环. 商. 2015(29)
[5]社会化标注环境下的标签共现谱聚类方法[J]. 李慧宗,胡学钢,何伟,潘剑寒. 图书情报工作. 2014(23)
[6]全民阅读活动的背景、特色与推动[J]. 汤更生,朱莺. 国家图书馆学刊. 2013(03)
[7]日本阅读推广体制研究[J]. 曹磊. 国家图书馆学刊. 2013(02)
[8]基于K-means聚类与张量分解的社会化标签推荐系统研究[J]. 孙玲芳,李烁朋. 江苏科技大学学报(自然科学版). 2012(06)
[9]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 张子柯,周涛,张翼成. Journal of Computer Science & Technology. 2011(05)
[10]一种社会化标注系统资源个性化推荐方法[J]. 郭伟光,李道芳,章蕾. 计算机工程与应用. 2011(10)
硕士论文
[1]基于Spark平台推荐系统研究[D]. 杨志伟.中国科学技术大学 2015
本文编号：3167920
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3167920.html
