基于个人阅读习惯特征的个性化推荐系统研究

发布时间：2022-12-07 07:23

　　随着大数据时代,特别是“互联网+”的到来,信息过滤成为人们必须面对的问题。对于用户不明确或难以表达的需求,推荐系统通过分析用户动态和静态数据,更加主动、智能地过滤信息,从而向用户展示他们潜在需求的东西。这一特性使得推荐系统在教育教学领域有着重要的作用。本文从推荐系统入手,深入探讨大数据处理技术,分析列举了一系列推荐算法及应用。尝试从阅读行为数据入手,构建学生的高阶阅读行为,作为教学辅助。本文依托Spark大数据平台,设计了一套集数据存储,数据清洗,个性化推荐的大数据推荐系统,并详细阐述了其主要功能的实现方法。本文构建了学生行为特征的多层次模型并生成学生的学习行为画像,在这基础上测试了高阶学习行为的加入对基于近邻的协同过滤算法有一定的提升,因此尝试将学生阅读行为的一些特征相似性融合到了隐语意模型中,提出了BSSVD++（Behaviour Combined SVD++）算法,并在现有的数据集上分别进行横向、纵向比较,获得了较好的模型和参数。研究结果表明本文提出的这种基于个人阅读习惯特征的个性化推荐系统能够合理有效地利用学生的阅读行为数据,较为精准的定位学生的阅读习惯和阅读风格,实现个性化... 

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景与研究意义
    1.2 研究现状
    1.3 本文的主要工作
    1.4 本文结构
第2章 相关概念及技术
    2.1 引言
    2.2 推荐系统研究
        2.2.1 基于内容的推荐算法
        2.2.2 协同过滤
    2.3 基于模型的协同过滤
        2.3.1 基于聚类的协同过滤
        2.3.2 基于矩阵分解的协同过滤
    2.4 Spark大数据处理框架研究
        2.4.1 Spark处理框架与RDD
        2.4.2 Hive
        2.4.3 ETL技术
    2.5 本章小结
第3章 学生画像建模与推荐算法设计
    3.1 引言
    3.2 阅读行为数据以及背景简介
    3.3 用户画像构建
    3.4 基于学生阅读行为的用户画像框架
        3.4.1 第一层:初始交互数据
        3.4.2 第二层:低阶特征提取
        3.4.3 第三层:高阶特征提取
    3.5 推荐算法设计
        3.5.1 基于内容的推荐
        3.5.2 基于邻域的协同过滤
    3.6 融合学生学习行为特征的SVD分解
        3.6.1 学生阅读行为相似性特征矩阵
        3.6.2 融合算法推导
    3.7 本章小结
第4章 阅读推荐系统实现
    4.1 系统设计
        4.1.1 系统架构
        4.1.2 系统需求分析与设计
        4.1.3 数据的增量导入
    4.2 系统及其关键功能实现和展示
        4.2.1 Spark集群的搭建
        4.2.2 数据增量导入实现
    4.3 数据仓库搭建以及操作
    4.4 用户画像模块与推荐引擎
    4.5 工作调度
    4.6 本章小结
第5章 实验分析
    5.1 数据集与预处理
    5.2 用户画像建立
    5.3 推荐算法模块
    5.4 本章小结
第6章 总结与展望
    6.1 总结
    6.2 展望
参考文献
攻读硕士学位期间主要的研究成果
致谢


【参考文献】：
期刊论文
[1]基于数据平台的图书馆毕业季服务实践研究——以暨南大学图书馆为例[J]. 都蓝,肖丽萍,李宾.  图书情报工作. 2015(22)
[2]基于OPAC统计数据的借阅率提升策略探讨[J]. 孟德泉,董颖,沙娅弘,孟桂荣.  大学图书馆学报. 2014(05)

博士论文
[1]基于认知诊断的学生作答行为建模方法及应用研究[D]. 吴润泽.中国科学技术大学 2018



本文编号：3712481