基于用户行为的APP推荐系统的设计与实现

发布时间：2022-02-19 08:15

　　随着移动计算飞速发展,为了方便用户使用智能移动设备和访问移动网络中的信息服务,app的数量急剧增长,如此海量的应用导致用户无法从这些海量应用中快速地选择出满足自己需求和符合自己潜在兴趣的app。为了解决这一难题,各个应用市场将个性化推荐系统应用于自己的应用商场,主动为用户推荐符合用户的潜在兴趣的app,因此,app推荐系统已经成为当前研究普遍关注的热点问题。协同过滤是app推荐系统的主要推荐算法,但传统的协同过滤算法存在评分数据稀疏问题,针对该问题,本课题设计并实现了一种基于用户行为的app推荐系统,其主要工作如下:（1）研究了基于评分的协同过滤算法,主要包括基于内存的协同过滤和基于模型的协同过滤算法。实现了基于用户的协同过滤、基于项目的协同过滤、基于正则化的奇异值分解的协同过滤。并结合实验数据,从准确率、召回率、F1值、SSD这四个评价指标对这三种算法进行评估。（2）针对评分数据稀疏问题,本文对以上基于评分的协同过滤进行改进。提出了一种基于用户行为序列的协同过滤,将更为丰富的行为日志数据作为协同过过滤算法的输入数据。通过数据预处理构造用户行为序列,并提出了基于行为序列的相似度计算方法... 

【文章来源】：东南大学江苏省211工程院校985工程院校教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
缩略词表
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文主要内容
    1.4 论文组织结构
第二章 app推荐系统相关理论及技术
    2.1 移动端的数据爬取策略
    2.2 兴趣漂移
    2.3 损失函数的最优化策略
        2.3.1 梯度下降算法的描述
        2.3.2 梯度下降算法的调优
        2.3.3 梯度下降算法的更新方式
    2.4 推荐系统的评估方法
    2.5 本章小结
第三章 app推荐算法的研究
    3.1 基于协同过滤的推荐算法
        3.1.1 基于用户的协同过滤
        3.1.2 基于项目的协同过滤
        3.1.3 基于RSVD的协同过滤
        3.1.4 无评分用户的推荐策略
    3.2 基于协同过滤的推荐算法的改进
        3.2.1 基于用户行为序列的协同过滤(UBSBCF)
        3.2.2 基于用户行为序列和时间衰减的协同过滤(UBSTDBCF)
    3.3 实验数据与评价指标
        3.3.1 实验数据
        3.3.2 评价指标
    3.4 实验结果及分析
    3.5 本章小结
第四章 app推荐系统的设计与实现
    4.1 系统需求分析
        4.1.1 功能需求分析
        4.1.2 性能需求分析
    4.2 系统总体设计
        4.2.1 系统框架设计
        4.2.2 系统流程设计
        4.2.3 系统功能模块设计
    4.3 app推荐系统的详细设计与实现
        4.3.1 系统开发环境
        4.3.2 数据采集模块
        4.3.3 数据预处理模块
        4.3.4 app推荐模块
    4.4 本章小结
第五章 系统的测试及性能评估
    5.1 系统测试
        5.1.1 测试环境
        5.1.2 功能测试
    5.2 性能评估
    5.3 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来研究展望
致谢
参考文献


【参考文献】：
期刊论文
[1]信息过载对在线消费者购物决策的影响[J]. 齐莉丽,赵蕊.  商业经济研究. 2018(10)
[2]基于深度学习的推荐系统研究综述[J]. 黄立威,江碧涛,吕守业,刘艳博,李德毅.  计算机学报. 2018(07)
[3]基于模体演化的时序链路预测方法[J]. 王守辉,于洪涛,黄瑞阳,马青青.  自动化学报. 2016(05)
[4]协同过滤推荐系统中的用户博弈[J]. 徐蕾,杨成,姜春晓,任勇.  计算机学报. 2016(06)
[5]推荐系统评价指标综述[J]. 朱郁筱,吕琳媛.  电子科技大学学报. 2012(02)
[6]个性化推荐系统综述[J]. 王国霞,刘贺平.  计算机工程与应用. 2012(07)
[7]个性化推荐系统评价方法综述[J]. 刘建国,周涛,郭强,汪秉宏.  复杂系统与复杂性科学. 2009(03)
[8]高性能网络爬虫:研究综述[J]. 周德懋,李舟军.  计算机科学. 2009(08)
[9]基于Web社会网络的个性化Web信息推荐模型[J]. 陈君,唐雁.  计算机科学. 2006(04)
[10]电子商务系统中的信息推荐方法研究[J]. 刘玮.  情报科学. 2006(02)



本文编号：3632541