数据挖掘算法在移动APP推荐中的应用研究

发布时间：2021-11-16 11:24

　　随着智能化设备的普及,移动应用市场大量涌现,越来越多的移动APP被开发者开发。据统计,2019年全球移动用户在App Store和Google Play的下载量突破了1200亿次,同比去年增长了5%。海量应用在给用户带来个性化体验和生活便捷的同时,也带来了信息过载的问题。因此,如何为用户推荐满足其个性化需求的应用已成为学术界以及商业界共同关注的话题。如今,个性化推荐技术已广泛应用于商务、娱乐和决策支持等领域。传统的推荐方法大多采用协同过滤（Collaborative Filtering,CF）算法,通过相似度计算或者机器学习方法建模,来预测用户-项目评价矩阵的缺失值。但是该方法存在严重的数据稀疏性问题,很难发现相似用户或者相似项目,导致预测精度较差。此外,相比于传统的推荐系统,移动APP推荐具有更多新特性,比如:移动应用的种类繁多且更新迅速,从而导致推荐过程比传统推荐更加复杂。传统推荐常利用用户对项目的整体评价,获取用户对项目的偏好,忽略了移动应用的功能特征及内在联系。然而,在APP的下载和使用中,用户的兴趣可能更倾向于自己的功能需求。这些问题导致传统的推荐方法直接应用到移动APP领域... 

【文章来源】：安徽大学安徽省 211工程院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景
    1.2 国内外研究现状
        1.2.1 推荐系统的研究现状
        1.2.2 移动APP推荐的研究现状
    1.3 论文研究内容与成果
    1.4 论文组织结构
第二章 相关理论与技术
    2.1 个性化推荐理论
        2.1.1 基于内容的推荐
        2.1.2 协同过滤推荐
        2.1.3 基于关联规则的推荐
    2.2 数据挖掘相关技术基础
        2.2.1 Apriori算法
        2.2.2 HITS算法
        2.2.3 PageRank算法
    2.3 本章小结
第三章 基于HITS算法的关联规则推荐方法
    3.1 模型整体框架描述
    3.2 基于用户评分矩阵的HITS模型
        3.2.1 用户评分矩阵的HITS模型描述
        3.2.2 HITS算法迭代终止条件设置
        3.2.3 改进的HITS算法流程
    3.3 HITS与关联规则融合的挖掘模型
        3.3.1 权重关联规则模型
        3.3.2 算法流程
    3.4 实验结果与分析
        3.4.1 数据集与实验环境
        3.4.2 Authority相关性分析
        3.4.3 评价指标与对比算法
        3.4.4 实验结果分析
    3.5 本章小结
第四章 基于功能特征的APP推荐方法
    4.1 问题描述
    4.2 基于功能特征的APP推荐模型
        4.2.1 Stage 1:APP功能特征的提取
        4.2.2 Stage 2:APP特征图的构建
        4.2.3 Stage 3:用户功能偏好计算
        4.2.4 Stage 4:个性化推荐
    4.3 算法的流程
    4.4 时间复杂度分析
    4.5 实验结果与分析
        4.5.1 数据集描述
        4.5.2 评价指标
        4.5.3 对比算法
        4.5.4 实验对比及参数对结果影响
    4.6 本章小结
第五章 结论
参考文献
攻读硕士学位期间取得的学术成果
攻读硕士学位期间参与的科研项目
致谢


【参考文献】：
期刊论文
[1]一种结合词项语义信息和TF-IDF方法的文本相似度量方法[J]. 黄承慧,印鉴,侯昉.  计算机学报. 2011(05)



本文编号：3498792