基于协同过滤的个性化图书推荐系统设计与实现

发布时间：2017-08-23 22:18

  本文关键词：基于协同过滤的个性化图书推荐系统设计与实现

  更多相关文章： 图书推荐 协同过滤 聚类

【摘要】：近些年来,随着高校图书馆的不断建设发展,馆藏图书数量也在逐年增长,如何从海量的图书中发现感兴趣的图书,是每个读者关心的问题。个性化图书推荐技术可以较好解决这一问题。个性化推荐技术是近几年比较流行的智能化技术,已成功运用于电子商务,搜索引擎等平台。该技术可以对海量用户信息数据进行学习,分析,并通过一系列算法挖掘出符合用户喜好的产品。个性化推荐系统是基于个性化推荐算法基础上的一套综合信息系统,该系统能将推荐结果实时输出给用户,用户可根据推荐结果是否符合自己喜好进行反馈。推荐系统可以利用这些反馈不断调整推荐结果,使其更贴近用户的喜好。本文以基于协同过滤,结合图书领域的中图分类法,实现了基于聚类和图书类别偏好的协同过滤推荐算法。本算法首先根据用户借阅图书的天数构造出用户对图书的评分来填补评分矩阵。接着将矩阵用聚类方法按用户对不同图书类别的偏好进行预处理。处理后的结果输入到协同过滤算法中,运用加权的用户相似度计算方法在若干个聚类中查找目标用户的邻居用户。最后利用用户邻居集合中的用户评分来对目标图书进行预测,并输出预测评分较高的图书。该算法在一定程度弥补了传统协同过滤算法的数据稀疏性问题和扩展性问题。本文还在上述算法基础上,结合某高校真实图书借阅数据,验证了本文算法的合理性和可靠性,并由此开发了一套实用的个性化图书推荐系统。通过真实系统的运行使用,并对收集的反馈结果进行评估,验证了本文所采用的推荐算法的准确度。
【关键词】：图书推荐 协同过滤 聚类
【学位授予单位】：安徽工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.3
【目录】：

• 摘要4-5
• Abstract5-8
• 第一章 引言8-13
• 1.1 研究意义及背景8
• 1.2 国内外研究现状8-11
• 1.2.1 国内外图书推荐系统9-10
• 1.2.2 协同过滤研究现状10-11
• 1.3 本文研究内容及组织结构11-13
• 第二章 推荐系统及其相关理论13-25
• 2.1 推荐系统工作流程13-14
• 2.2 推荐算法分类14-22
• 2.2.1 基于人口统计学的推荐14-15
• 2.2.2 基于内容的推荐15-16
• 2.2.3 基于知识的推荐16
• 2.2.4 协同过滤推荐算法16-22
• 2.2.5 混合推荐算法22
• 2.3 推荐系统评价标准22-24
• 2.3.1 评分预测准确度23
• 2.3.2 使用预测准确度23-24
• 2.4 本章小结24-25
• 第三章 基于图书类别的协同过滤算法25-36
• 3.1 中国图书分类法25
• 3.2 评分数据稀疏性问题分析25-27
• 3.2.1 评分转化25-26
• 3.2.2 评分归一化26-27
• 3.3 基于中图分类号和用户评分的用户相似度27-29
• 3.4 聚类算法应用29-32
• 3.4.1 聚类算法简介29-30
• 3.4.2 聚类中的距离计算方法30-31
• 3.4.3 K-means聚类算法31-32
• 3.5 基于用户聚类的改进相似度的协同过滤算法设计32-35
• 3.5.1 基于用户聚类的改进相似度的协同过滤算法思想32
• 3.5.2 算法设计32-35
• 3.5.3 算法说明35
• 3.6 本章小结35-36
• 第四章 改进后的算法实现及实验结果分析36-47
• 4.1 数据预处理36-38
• 4.1.1 数据集36-37
• 4.1.2 数据拆分37
• 4.1.3 数据清理和数据准备37-38
• 4.2 算法设计与实现38-43
• 4.2.1 算法数据库设计38-39
• 4.2.2 算法实现39-43
• 4.3 实验结果分析43-46
• 4.4 本章小结46-47
• 第五章 个性化图书推荐系统设计与实现47-54
• 5.1 需求分析47
• 5.2 系统分析47-50
• 5.2.1 系统整体设计47-48
• 5.2.2 系统功能设计48-49
• 5.2.3 系统数据库设计49-50
• 5.3 系统实现50-53
• 5.3.1 开发环境50-51
• 5.3.2 功能实现51-53
• 5.4 本章小结53-54
• 第六章 总结与展望54-55
• 6.1 总结54
• 6.2 展望54-55
• 参考文献55-58
• 攻读硕士学位期间研究成果58-59
• 致谢59

【相似文献】

中国期刊全文数据库 前10条

1 杨风召;;一种基于特征表的协同过滤算法[J];计算机工程与应用;2007年06期

2 王岚;翟正军;;基于时间加权的协同过滤算法[J];计算机应用;2007年09期

3 曾子明;张李义;;基于多属性决策和协同过滤的智能导购系统[J];武汉大学学报(工学版);2008年02期

4 张富国;;用户多兴趣下基于信任的协同过滤算法研究[J];小型微型计算机系统;2008年08期

5 侯翠琴;焦李成;张文革;;一种压缩稀疏用户评分矩阵的协同过滤算法[J];西安电子科技大学学报;2009年04期

6 廖新考;;基于用户特征和项目属性的混合协同过滤推荐[J];福建电脑;2010年07期

7 沈磊;周一民;李舟军;;基于心理学模型的协同过滤推荐方法[J];计算机工程;2010年20期

8 徐红;彭黎;郭艾寅;徐云剑;;基于用户多兴趣的协同过滤策略改进研究[J];计算机技术与发展;2011年04期

9 焦晨斌;王世卿;;基于模型填充的混合协同过滤算法[J];微计算机信息;2011年11期

10 郑婕;鲍海琴;;基于协同过滤推荐技术的个性化网络教学平台研究[J];科技风;2012年06期

中国重要会议论文全文数据库 前10条

1 沈杰峰;杜亚军;唐俊;;一种基于项目分类的协同过滤算法[A];第二十二届中国数据库学术会议论文集（技术报告篇）[C];2005年

2 周军锋;汤显;郭景峰;;一种优化的协同过滤推荐算法[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

3 董全德;;基于双信息源的协同过滤算法研究[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年

4 张光卫;康建初;李鹤松;刘常昱;李德毅;;面向场景的协同过滤推荐算法[A];中国系统仿真学会第五次全国会员代表大会暨2006年全国学术年会论文集[C];2006年

5 李建国;姚良超;汤庸;郭欢;;基于认知度的协同过滤推荐算法[A];第26届中国数据库学术会议论文集（B辑）[C];2009年

6 王明文;陶红亮;熊小勇;;双向聚类迭代的协同过滤推荐算法[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

7 胡必云;李舟军;王君;;基于心理测量学的协同过滤相似度方法(英文)[A];NDBC2010第27届中国数据库学术会议论文集(B辑)[C];2010年

8 林丽冰;师瑞峰;周一民;李月雷;;基于双聚类的协同过滤推荐算法[A];2008'中国信息技术与应用学术论坛论文集（一）[C];2008年

9 罗喜军;王韬丞;杜小勇;刘红岩;何军;;基于类别的推荐——一种解决协同推荐中冷启动问题的方法[A];第二十四届中国数据库学术会议论文集（研究报告篇）[C];2007年

10 黄创光;印鉴;汪静;刘玉葆;王甲海;;不确定近邻的协同过滤推荐算法[A];NDBC2010第27届中国数据库学术会议论文集A辑一[C];2010年

中国博士学位论文全文数据库 前10条

1 纪科;融合上下文信息的混合协同过滤推荐算法研究[D];北京交通大学;2016年

2 程殿虎;基于协同过滤的社会网络推荐系统关键技术研究[D];中国海洋大学;2015年

3 于程远;基于QoS的Web服务推荐技术研究[D];上海交通大学;2015年

4 李聪;电子商务推荐系统中协同过滤瓶颈问题研究[D];合肥工业大学;2009年

5 郭艳红;推荐系统的协同过滤算法与应用研究[D];大连理工大学;2008年

6 罗恒;基于协同过滤视角的受限玻尔兹曼机研究[D];上海交通大学;2011年

7 薛福亮;电子商务协同过滤推荐质量影响因素及其改进机制研究[D];天津大学;2012年

8 高e，

本文编号：727614