基于协同过滤的学术推荐研究

发布时间：2017-10-22 02:18

  本文关键词：基于协同过滤的学术推荐研究

  更多相关文章： 用户兴趣模型 协同过滤 兴趣预测 学术推荐

【摘要】：随着互联网的飞速发展，Internet上的信息呈现爆炸式增长，而学术数据库中的内容更是信息量巨大，用户在搜索想要的文章时，往往难以快速，准确的获取想要的信息。大大加重了用户对获取知识的认知负担。现存的搜索引擎越来越难以满足用户的需求，个性化服务应运而生。虽然现存了很多个性化服务，但是对于学术上的个性化研究还很少。本文主要研究的是基于协同过滤技术的学术推荐，满足用户信息搜索个性化需求。 本文提出了基于协同过滤技术来进行学术推荐的方法。首先对现存的推荐技术进行综述，，并且分析其优缺点。在学术推荐中，如何精确的对用户兴趣的预测是一个关键的问题，所以需要对用户兴趣模型构建的各个步骤进行详细的介绍，分析每一步每一种方法的优缺点，进而选取本文的构建方法。通过本文的方法基于概念和概念间关系构建用户兴趣模型。在此模型的基础上，本文不仅仅依赖于概念，而是将概念相似度和概念间关系相似度融合，发现协同用户。 其次对概念权重进行调整后重新构建用户兴趣模型。在调整权重的过程中考虑用户浏览内容的连续性特征，这对发现协同用户是很有帮助的。基于新的兴趣模型，将大于阈值的概念选为关键概念，同时将所有的候选用户通过重新计算概念权重重新进行定义。基于关键概念发现协同用户可以提高协同用户的发现效率。 最后，将所有协同用户的浏览内容基于语义进行组织，并根据权重从中抽取相关的概念，计算的概念的信息质量作为评估标准，选取信息质量高的概念作为被预测用户兴趣的语义表示。在本文中，在计算信息质量时是基于概念间的语义关系的，这样能保证预测的精确性。然后通过实验来证明本文提出的方法的正确性和有效性。
【关键词】：用户兴趣模型 协同过滤 兴趣预测 学术推荐
【学位授予单位】：上海大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要6-7
• ABSTRACT7-11
• 第一章 绪论11-21
• 1.1 研究背景11-13
• 1.2 研究的目的和意义13-14
• 1.3 国内外研究概况14-19
• 1.3.1 基于协同过滤的推荐策略14-15
• 1.3.2 基于内容的推荐策略15-17
• 1.3.3 基于人口统计学的推荐17-18
• 1.3.4 混合的推荐机制18
• 1.3.5 基于网络结构的推荐18-19
• 1.4 论文的主要研究内容19-20
• 1.5 本文的组织结构20
• 1.6 本章小结20-21
• 第二章 用户兴趣模型研究21-32
• 2.1 用户兴趣的获取21-24
• 2.1.1 兴趣获取方法21-22
• 2.1.2 本文的获取方法22-24
• 2.2 用户兴趣的表示24-28
• 2.2.1 兴趣表示方法24-26
• 2.2.2 概念和概念关系表示26-28
• 2.3 用户模型的构建28-30
• 2.3.1 模型构建方法28-29
• 2.3.2 自动建模方法29-30
• 2.4 用户兴趣的预测30-31
• 2.4.1 兴趣预测方法30
• 2.4.2 协同过滤预测方法30-31
• 2.5 本章小结31-32
• 第三章 协同过滤技术研究32-40
• 3.1 传统协同过滤方法32-34
• 3.1.1 基于用户的协同过滤32-33
• 3.1.2 基于项目的协同过滤33-34
• 3.1.3 基于模型的协同过滤34
• 3.2 基于用户的协同过滤34-37
• 3.2.1 基于用户的协同过滤推荐的实现步骤34-36
• 3.2.2 传统基于用户协同过滤利弊分析36-37
• 3.3 协同过滤技术实现37-39
• 3.3.1 数据结构37-38
• 3.3.2 计算相似度38-39
• 3.4 本章小结39-40
• 第四章 基于协同过滤的学术推荐40-47
• 4.1 学术推荐方法40-41
• 4.1.1 构建用户兴趣模型40
• 4.1.2 发现协同用户40
• 4.1.3 预测用户兴趣40-41
• 4.1.4 学术推荐41
• 4.2 构建用户兴趣模型41-42
• 4.3 发现协同用户42-45
• 4.3.1 用户兴趣模型更新42-44
• 4.3.2 发现协同用户44-45
• 4.4 预测用户兴趣45-46
• 4.5 本章小结46-47
• 第五章 实验47-61
• 5.1 实验平台介绍47-49
• 5.1.1 实验平台环境47
• 5.1.2 实验平台组成部分47-49
• 5.2 学术推荐实验平台设计49-60
• 5.2.1 实验数据49-50
• 5.2.2 文本预处理50
• 5.2.3 阈值的确定50-53
• 5.2.4 用户兴趣模型的构建53-54
• 5.2.5 协同用户发现结果分析54-57
• 5.2.6 调整权重的必要性验证57
• 5.2.7 预测用户兴趣57-59
• 5.2.8 学术推荐59-60
• 5.3 本章小结60-61
• 第六章 总结与展望61-63
• 6.1 总结61-62
• 6.2 展望62-63
• 参考文献63-68
• 作者在攻读硕士学位期间公开发表的论文68-69
• 作者在攻读硕士学位期间所作的项目69-70
• 致谢70

【参考文献】

中国期刊全文数据库 前5条

1 赵亮,胡乃静,张守志;个性化推荐算法设计[J];计算机研究与发展;2002年08期

2 曾春,邢春晓,周立柱;基于内容过滤的个性化搜索算法[J];软件学报;2003年05期

3 李凤慧;基于用户浏览行为挖掘的电子商务个性化推荐系统[J];潍坊学院学报;2004年02期

4 耿冬;叶飞跃;林国俊;郑国良;;基于语义的垂直搜索引擎搜索策略研究[J];微计算机信息;2009年33期

5 郭新明;弋改珍;;混合模型的用户兴趣漂移算法[J];智能系统学报;2010年02期

本文编号：1076318