基于婴幼儿生长模型的推荐算法研究与实现

发布时间：2022-07-19 11:43

　　随着互联网与信息技术的飞速发展,各个行业向互联网转型,并取得较大的进展。在众多的行业中,“互联网+”母婴凭借近些年国家政策以及家庭对育婴的重视,更是得到前所未有的繁荣。作为父母的人们可以通过互联网来了解儿童成长状况,寻找志同道合的朋友或育婴达人,共同探讨或学习育婴经验。“互联网+”母婴行业的发展为用户提供了极大的便利,但随着互联网的发展网络信息的增加,母婴用户不可避免的将面对大量的垃圾信息和无意义数据,即所谓的信息过载问题。特别是随着育龄妇女越来越年轻化,互联网已成为大多数父母生活的一部分,他们也更倾向于使用互联网来帮助自己了解到孩子的成长状况,得到更加科学可靠且符合自己需求的信息,因此信息过载问题也就更加突出。基于此,本文构建了一种基于多元线性回归的儿童生长预测模型,然后根据儿童的成长信息,研究并设计一种融合儿童成长信息的协同过滤算法,最后利用提出的模型与算法设计实现了一个婴幼儿成长分析的推荐系统。主要研究内容如下:（1）基于多元线性回归的儿童生长预测模型。由于利用横断面调查得到的数据分析儿童生长特点存在局限性,故使用纵向追踪数据,构建儿童身高生长的多元线性回归预测模型。首先从个性化... 

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 推荐算法研究现状
        1.2.2 儿童生长发育研究现状
    1.3 本文研究内容
    1.4 论文组织结构
第二章 相关技术原理
    2.1 多元线性回归
    2.2 协同过滤推荐
    2.3 相似度计算方法
        2.3.1 Jaccard系数
        2.3.2 余弦相似度
        2.3.3 皮尔森相关系数
        2.3.4 欧几里得距离
    2.4 本章小结
第三章 基于多元线性回归的儿童生长预测模型
    3.1 引言
    3.2 模型的建立
        3.2.1 样本的选取
        3.2.2 自变量的选取
        3.2.3 利用最小二乘法建立多元线性回归模型
    3.3 模型的检验
        3.3.1 显著性检验
        3.3.2 共线性分析
        3.3.3 残差分析
    3.4 预测与比较
    3.5 本章小结
第四章 融合儿童成长信息的协同过滤推荐算法
    4.1 引言
    4.2 融合儿童成长信息的协同过滤推荐算法
        4.2.1 用户相似度计算
        4.2.2 儿童相似度计算
        4.2.3 用户相似度与儿童相似度的融合
        4.2.4 算法描述
    4.3 实验结果与分析
        4.3.1 数据集
        4.3.2 评价指标
        4.3.3 结果与分析
    4.4 本章小结
第五章 婴幼儿成长分析的推荐系统设计与实现
    5.1 项目背景
    5.2 系统需求分析
        5.2.1 系统功能需求分析
        5.2.2 系统整体组成结构
        5.2.3 系统业务流程
    5.3 系统功能模块的详细设计
        5.3.1 用户管理模块
        5.3.2 儿童管理模块
        5.3.3 成长记录模块
        5.3.4 个性化推荐模块
    5.4 推荐系统数据库设计
        5.4.1 数据库概念设计
        5.4.2 数据库表设计
    5.5 系统的展示
        5.5.1 注册与登录
        5.5.2 用户管理模块
        5.5.3 儿童管理模块
        5.5.4 成长记录模块
        5.5.5 个性化推荐模块
    5.6 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间的科研成果


【参考文献】：
期刊论文
[1]基于社交信息和物品曝光度的矩阵分解推荐[J]. 韩勇,宁连举,郑小林,林炜华,孙中原.  浙江大学学报(工学版). 2019(01)
[2]成都市武侯区学龄期儿童身高及其影响因素调查[J]. 唐丹,庞英,郑燕,王红.  现代预防医学. 2018(16)
[3]基于多层次混合相似度的协同过滤推荐算法[J]. 袁正午,陈然.  计算机应用. 2018(03)
[4]一种引入加权异构信息的改进协同过滤推荐算法[J]. 张海霞,吕振,张传亭,袁东风.  电子科技大学学报. 2018(01)
[5]非线性异方差分层模型及其参数估计[J]. 马绰欣,钱曼玲,田茂再.  数学学报(中文版). 2017(05)
[6]融合共同评分用户数和项目兴趣关系的推荐算法[J]. 于阳,陈道波,金鑫,黄瑞阳.  信息工程大学学报. 2017(03)
[7]多元线性回归统计预测模型的应用[J]. 冷建飞,高旭,朱嘉平.  统计与决策. 2016(07)
[8]基于用户信任度和社会相似度的协作过滤算法[J]. 杨海月,朱玉婷,施化吉,徐慧.  电子技术应用. 2016(01)
[9]地理社交网络位置推荐[J]. 景宁,王跃华,钟志农,吴烨.  国防科技大学学报. 2015(05)
[10]一种融合人口统计属性的协同过滤算法[J]. 杨超,艾聪聪,蒋斌,李仁发.  小型微型计算机系统. 2015(04)

博士论文
[1]基于协同过滤的推荐算法研究[D]. 刘青文.中国科学技术大学 2013
[2]个性化推荐技术中的协同过滤算法研究[D]. 夏培勇.中国海洋大学 2011

硕士论文
[1]混合记忆曲线与关联规则的标签推荐算法[D]. 陈双双.南京邮电大学 2018
[2]基于混合推荐算法的旅游推荐系统的设计与实现[D]. 李多加.浙江大学 2018
[3]移动APP下母婴产品知识推广平台的设计与实现[D]. 张春玲.中国地质大学(北京) 2017
[4]一种改进的协同过滤推荐方法及其在美食领域的应用[D]. 孙扬.湖南大学 2017
[5]基于Spark平台分层协同过滤算法研究[D]. 蒋新宇.河北工业大学 2016
[6]零售商品购买决策及个性化推荐关键技术研究[D]. 杨壹.电子科技大学 2016
[7]基于用户相似度的协同过滤推荐算法研究[D]. 周鲲.西南交通大学 2016
[8]协同过滤混合相似度推荐机制研究与设计[D]. 麦嘉俊.广东工业大学 2016
[9]协同过滤推荐算法在移动智能推荐中的研究与应用[D]. 龚亮.湖南大学 2016
[10]2488名0~6岁儿童生长发育和健康现状及其影响因素分析[D]. 徐珊珊.吉林大学 2013



本文编号：3663356