基于混合推送模式的信息推送算法研究

发布时间：2021-03-12 21:16

　　随着网络碎片化时代的出现,信息推送服务成为计算机领域的热门研究,用户如何能阅读到真正满足其需求的信息是迫待解决的关键问题。针对传统的协同过滤推送算法存在的用户兴趣矩阵稀疏和新商品的冷启动问题,本文提出了基于混合推送模式的信息推送算法。算法的中心思想是采取BP神经网络将两种协同过滤推送算法融合,使其优势互补,推送结果更加精准。并且在推送过程中引入本体,通过本体的概念层次结构关系和概念之间的关系与用户兴趣词产生关联,进而对用户的兴趣词进行词义扩展,使推荐内容更为丰富。本文提出的混合推送算法分为三个重要部分:首先是用户兴趣模型的构建,用户兴趣模型是对用户爱好的准确描述,是服务推送过程中的重要环节。在构建用户兴趣模型时考虑到用户的兴趣不是一成不变的,所以在基于向量空间的模型表示中加入了依据时间变化的兴趣状态参数,确保构建的兴趣模型准确反映出用户当下的兴趣爱好。第二步是协同过滤推送算法与本体的结合,在传统的协同过滤推送过程中引入本体对用户的兴趣词进行词义扩展,丰富了个性化推送的内容。最后是BP神经网络的融合,将两种协同过滤推送算法得出的结果作为BP神经网络的输入,经过神经网络预测后得到最终的推送... 

【文章来源】：沈阳理工大学辽宁省

【文章页数】：82 页

【学位级别】：硕士

【部分图文】：

web日志挖掘流程图

用户项目评价矩阵Fig.2.2Userprojectevaluationmatrix

部分书籍领域本体图

【参考文献】：
期刊论文
[1]基于大数据和本体的高校图书馆个性化服务研究[J]. 李学庆,郑美玉,吴建洪,黄常青,薛华.  农业图书情报. 2019(09)
[2]BP人工神经网络在股票预测中的应用[J]. 褚文华.  哈尔滨商业大学学报(自然科学版). 2019(02)
[3]遗传算法优化的BP神经网络在地面温度多模式集成预报的应用研究[J]. 雷彦森,蔡晓军,王文,李江峰,李倩文.  气象科学. 2018(06)
[4]基于BP神经网络企业利润预测探究[J]. 朱敏.  时代金融. 2018(36)
[5]基于多层次本体的航空制造业领域知识表达模型的构建[J]. 刘航,杜江,白瑀.  现代机械. 2018(06)
[6]基于BP神经网络的地铁车厢拥挤度预测方法[J]. 方晨晨,周继彪,董升,王依婷,陈莎雯.  交通信息与安全. 2018(06)
[7]基于蜂群算法改进的BP神经网络风电功率预测[J]. 何廷一,田鑫萃,李胜男,吴水军,陈勇,束洪春,马聪.  电力科学与技术学报. 2018(04)
[8]基于自适应学习的知识本体推荐系统的研究与实现[J]. 潘家瑶.  信息技术与信息化. 2018(12)
[9]基于BP神经网络的交通信息量预测方法[J]. 户佐安,邹正丰,包天雯.  交通运输工程与信息学报. 2018(04)
[10]WEB挖掘数据预处理方法分析与实现[J]. 陈建锋.  安徽职业技术学院学报. 2018(04)

博士论文
[1]渭河流域人水和谐评价指标体系与方法研究[D]. 康艳.西北农林科技大学 2013

硕士论文
[1]基于自适应BP和DDAE-SVR神经网络模型的高校教学质量评价研究[D]. 张俊涛.河南大学 2018
[2]基于LBS的交通信息主动推送模型与试验验证[D]. 张倩.北京交通大学 2017
[3]一种基于信任传播和奇异值分解的个性化推荐方法的研究[D]. 齐静.昆明理工大学 2017
[4]基于BP神经网络与井约束的纵横波波阻抗反演方法研究[D]. 赵传伟.山东科技大学 2017
[5]面向智能家居的物联网隐私保护方法研究与实现[D]. 肖起.北京工业大学 2017
[6]协同过滤算法相似度的研究及并行化的实现[D]. 邢文涛.天津大学 2017
[7]基于LDA主题模型和标签聚类的党建信息推送策略研究[D]. 杨帆.云南大学 2016
[8]马尔可夫跳跃神经网络与基于忆阻器Chua的电路的稳定性[D]. 杨阔.燕山大学 2016
[9]基于用户地理信息的混合推荐算法的研究[D]. 马成.天津大学 2016
[10]基于神经网络的农商行农户信用评级系统的设计与实现[D]. 伍伟.湖南大学 2015



本文编号：3078993