高校社团活动推荐系统的设计与实现
发布时间：2021-11-22 10:05
随着互联网时代的发展,物联网、大数据、云计算、人工智能和5G技术加快了以技术应用创新为特点的教育信息化2.0时代的到来。构建智慧教育、教学与管理为一体的智慧校园,已成为高校教育与管理的重要研究课题之一。高校学生社团作为“第一堂课”的重要延伸、“第二堂课”的核心载体,在高校管理教育和校园文化建设中发挥着重要作用。但据统计,目前高校学生社团的推广、管理和活动参与等仍采用传统的人工方式进行,大多数社团的推广主要依赖于社团人员发传单和深入学生中发布信息。这种形式不仅耗时耗力,而且难以满足学生参与社团和活动的个性化需求,社团和活动的推广形式单一,达到的效果不理想。本文结合高校社团活动的推广需求,在研究了个性化推荐技术的基础上,针对协同过滤算法中数据稀疏问题和基于内容的推荐算法中语义分析缺陷问题进行算法改进,设计并实现了高校学生社团活动推荐系统。本文的主要工作如下:1.针对传统的协同过滤算法存在用户和物品评分矩阵稀疏而导致推荐系统质量的问题,本文选择Jaccard相似系数作为相似性计算模型,提出了一种在Jaccard相似性度量方法上加入热度惩罚因子和共同评分项数加权的改进方法。首先通过热度惩罚因子...
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
基于内容的推荐示例
西南大学工程硕士学位论文8一般来说基于用户的协同过滤算法包括以下三个步骤：1）构建用户-物品的评分矩阵；2）计算不同用户之间的相似度，得到与目标用户相似的近邻用户集合；3）根据近邻用户集合中每个用户对物品的偏好，将目标用户“未听说”的物品推荐给目标用户。以音乐的推荐为例说明前面所述的步骤，如图2-2所示。图2-2基于用户的协同过滤推荐示例对于个性化音乐推荐来讲，用户A和用户C同时喜欢歌曲A和歌曲C，另外用户C还喜欢歌曲D，因此实施推荐时，可以将用户A没有表达喜好的歌曲D推荐给用户A。以上，第一步就是要构建出用户物品的评分矩阵。收集用户对物品的评分数据，然后将数据处理成m*n阶的评分矩阵，m为用户的个数，n为物品的个数。用户对物品的偏好程度可通过评分来反映，设置评分区间为1至5，未评分处为空。假设用户对物品所表达的偏好程度（即评分）见表2-2。表2-2用户-物品评分表用户物品a物品b物品c物品i物品ju3.04.003.50v4.004.54.53.5w03.5003.0x04.003.53.0第二步中的核心环节是计算用户之间的相似度，目前常用的相似度计算方法有余弦相似度、皮尔逊相关系数、修正的余弦相似度，具体介绍见第三章节。
西南大学工程硕士学位论文10图2-3基于物品的协同过滤推荐示例对于个性化音乐推荐来讲，用户C喜欢歌曲A，歌曲C和歌曲A相似，那么便可以把用户C没有表达喜好的歌曲C推荐给用户C。3.协同过滤推荐算法对比分析基于物品的协同过滤与基于用户的协同过滤在思路上基本相同，只是在相似度计算步骤中的计算对象有所不同，由此可以看出：基于物品的协同过滤算法注重的是用户有过行为的历史物品，用户本身的兴趣变化和继承对用户影响更大，因此更加注重个性化；而基于用户的协同过滤算法注重的是用户所在的兴趣“小组”，给用户推荐的是所在小组中的热门商品，更注重社会化[36]。但其相似度的计算方法两者是同样适用的。下面从适用场景、推荐系统多样性这两个方面来对比一下User-CF和Item-CF算法。首先，从适用场景上进行分析：Item-CF算法利用物品间的相似性来推荐，所以当用户数量远远超过物品数量时，可以考虑适用Item-CF算法，该算法更适用于电商和博客类商品或文字数据相对稳定的平台；User-CF算法利用用户间的相似性来推荐，所以当物品数量远远超过用户数量时，可以考虑User-CF算法，该算法更适用于新闻类和短视频类等类似快消素材网站。其次，从推荐系统多样性上的分析：单用户的多样性方面，Item-CF算法不如User-CF算法多样性丰富，因为Item-CF算法推荐的是和之前有过行为的物品相似的物品，物品覆盖面比较小，丰富度较低；但系统的多样性方面，Item-CF算法的多样性要远远优于User-CF算法，因为User-CF算法更加注重对热门物品的推荐。相比Item-CF算法的推荐有很好的新颖性，容易发现并推荐长尾里的物品。两者优缺点也可见下表2-X归纳：
【参考文献】：
期刊论文
[1]加入惩罚因子的电商平台协同过滤推荐算法[J]. 崔国琪,李林. 软件导刊. 2020(01)
[2]基于元算法Django架构下社团推荐系统的设计[J]. 赵琳,徐明昊. 微型电脑应用. 2019(06)
[3]“互联网+”时代高校学生社团管理现状与对策[J]. 金少芬. 文教资料. 2019(06)
[4]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[5]改进模糊划分聚类的协同过滤推荐算法[J]. 苏庆,章静芳,林正鑫,李小妹,蔡昭权,曾永安. 计算机工程与应用. 2019(05)
[6]教育信息化2.0的时代逻辑——《教育信息化2.0行动计划》解读之一[J]. 吴旻瑜,武晓菲. 远程教育杂志. 2018(04)
[7]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙. 计算机应用. 2018(04)
[8]融合协同过滤的线性回归推荐算法[J]. 庞海龙,赵辉,李万龙,马莹,崔岩. 计算机应用研究. 2019(05)
[9]软件测试方法研究[J]. 刘宇轩. 科技风. 2018(04)
[10]大规模隐式反馈的词向量音乐推荐模型[J]. 于帅,林宣雄,邱媛媛. 计算机系统应用. 2017(11)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
[2]朴素贝叶斯分类器及其改进算法研究[D]. 蒋良孝.中国地质大学 2009
硕士论文
[1]高校大学生社团管理平台的设计与实现[D]. 龚文辉.江西师范大学 2018
[2]基于混合协同过滤方法的在线教育推荐系统的设计与实现[D]. 李英.西安电子科技大学 2018
[3]基于改进的个性化混合推荐算法的研究[D]. 钟良月.浙江工商大学 2018
[4]基于用户个性数据的信息推荐系统研究与实现[D]. 李超.湖南师范大学 2017
[5]基于word2vec词向量的文本分类研究[D]. 朱磊.西南大学 2017
[6]基于协同过滤的个性化推荐算法研究[D]. 李昂.电子科技大学 2017
[7]基于用户行为协同过滤推荐算法[D]. 杜彦永.安徽理工大学 2016
[8]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[9]基于MovieLens数据集的协同过滤推荐系统研究[D]. 李清.西安电子科技大学 2014
[10]高校社团活动的德育作用及其实现研究[D]. 王洪伟.吉林农业大学 2014
本文编号：3511466
【文章来源】：西南大学重庆市 211工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
基于内容的推荐示例
西南大学工程硕士学位论文8一般来说基于用户的协同过滤算法包括以下三个步骤：1）构建用户-物品的评分矩阵；2）计算不同用户之间的相似度，得到与目标用户相似的近邻用户集合；3）根据近邻用户集合中每个用户对物品的偏好，将目标用户“未听说”的物品推荐给目标用户。以音乐的推荐为例说明前面所述的步骤，如图2-2所示。图2-2基于用户的协同过滤推荐示例对于个性化音乐推荐来讲，用户A和用户C同时喜欢歌曲A和歌曲C，另外用户C还喜欢歌曲D，因此实施推荐时，可以将用户A没有表达喜好的歌曲D推荐给用户A。以上，第一步就是要构建出用户物品的评分矩阵。收集用户对物品的评分数据，然后将数据处理成m*n阶的评分矩阵，m为用户的个数，n为物品的个数。用户对物品的偏好程度可通过评分来反映，设置评分区间为1至5，未评分处为空。假设用户对物品所表达的偏好程度（即评分）见表2-2。表2-2用户-物品评分表用户物品a物品b物品c物品i物品ju3.04.003.50v4.004.54.53.5w03.5003.0x04.003.53.0第二步中的核心环节是计算用户之间的相似度，目前常用的相似度计算方法有余弦相似度、皮尔逊相关系数、修正的余弦相似度，具体介绍见第三章节。
西南大学工程硕士学位论文10图2-3基于物品的协同过滤推荐示例对于个性化音乐推荐来讲，用户C喜欢歌曲A，歌曲C和歌曲A相似，那么便可以把用户C没有表达喜好的歌曲C推荐给用户C。3.协同过滤推荐算法对比分析基于物品的协同过滤与基于用户的协同过滤在思路上基本相同，只是在相似度计算步骤中的计算对象有所不同，由此可以看出：基于物品的协同过滤算法注重的是用户有过行为的历史物品，用户本身的兴趣变化和继承对用户影响更大，因此更加注重个性化；而基于用户的协同过滤算法注重的是用户所在的兴趣“小组”，给用户推荐的是所在小组中的热门商品，更注重社会化[36]。但其相似度的计算方法两者是同样适用的。下面从适用场景、推荐系统多样性这两个方面来对比一下User-CF和Item-CF算法。首先，从适用场景上进行分析：Item-CF算法利用物品间的相似性来推荐，所以当用户数量远远超过物品数量时，可以考虑适用Item-CF算法，该算法更适用于电商和博客类商品或文字数据相对稳定的平台；User-CF算法利用用户间的相似性来推荐，所以当物品数量远远超过用户数量时，可以考虑User-CF算法，该算法更适用于新闻类和短视频类等类似快消素材网站。其次，从推荐系统多样性上的分析：单用户的多样性方面，Item-CF算法不如User-CF算法多样性丰富，因为Item-CF算法推荐的是和之前有过行为的物品相似的物品，物品覆盖面比较小，丰富度较低；但系统的多样性方面，Item-CF算法的多样性要远远优于User-CF算法，因为User-CF算法更加注重对热门物品的推荐。相比Item-CF算法的推荐有很好的新颖性，容易发现并推荐长尾里的物品。两者优缺点也可见下表2-X归纳：
【参考文献】：
期刊论文
[1]加入惩罚因子的电商平台协同过滤推荐算法[J]. 崔国琪,李林. 软件导刊. 2020(01)
[2]基于元算法Django架构下社团推荐系统的设计[J]. 赵琳,徐明昊. 微型电脑应用. 2019(06)
[3]“互联网+”时代高校学生社团管理现状与对策[J]. 金少芬. 文教资料. 2019(06)
[4]协同过滤算法中冷启动问题研究[J]. 邵煜,谢颖华. 计算机系统应用. 2019(02)
[5]改进模糊划分聚类的协同过滤推荐算法[J]. 苏庆,章静芳,林正鑫,李小妹,蔡昭权,曾永安. 计算机工程与应用. 2019(05)
[6]教育信息化2.0的时代逻辑——《教育信息化2.0行动计划》解读之一[J]. 吴旻瑜,武晓菲. 远程教育杂志. 2018(04)
[7]基于改进聚类和矩阵分解的协同过滤推荐算法[J]. 王永贵,宋真真,肖成龙. 计算机应用. 2018(04)
[8]融合协同过滤的线性回归推荐算法[J]. 庞海龙,赵辉,李万龙,马莹,崔岩. 计算机应用研究. 2019(05)
[9]软件测试方法研究[J]. 刘宇轩. 科技风. 2018(04)
[10]大规模隐式反馈的词向量音乐推荐模型[J]. 于帅,林宣雄,邱媛媛. 计算机系统应用. 2017(11)
博士论文
[1]协同过滤推荐系统关键问题研究[D]. 孔维梁.华中师范大学 2013
[2]朴素贝叶斯分类器及其改进算法研究[D]. 蒋良孝.中国地质大学 2009
硕士论文
[1]高校大学生社团管理平台的设计与实现[D]. 龚文辉.江西师范大学 2018
[2]基于混合协同过滤方法的在线教育推荐系统的设计与实现[D]. 李英.西安电子科技大学 2018
[3]基于改进的个性化混合推荐算法的研究[D]. 钟良月.浙江工商大学 2018
[4]基于用户个性数据的信息推荐系统研究与实现[D]. 李超.湖南师范大学 2017
[5]基于word2vec词向量的文本分类研究[D]. 朱磊.西南大学 2017
[6]基于协同过滤的个性化推荐算法研究[D]. 李昂.电子科技大学 2017
[7]基于用户行为协同过滤推荐算法[D]. 杜彦永.安徽理工大学 2016
[8]基于内容和协同过滤的混合算法在推荐系统中的应用研究[D]. 何佳知.东华大学 2016
[9]基于MovieLens数据集的协同过滤推荐系统研究[D]. 李清.西安电子科技大学 2014
[10]高校社团活动的德育作用及其实现研究[D]. 王洪伟.吉林农业大学 2014
本文编号：3511466
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3511466.html
最近更新
教材专著
