本文選題：推薦系統(tǒng) + CHI特征選擇　； 參考：《吉林大學(xué)》2017年碩士論文

【摘要】：由于網(wǎng)絡(luò)信息的巨大增長和復(fù)雜度的日益增加,用戶很難從海量數(shù)據(jù)中準(zhǔn)確地查找到他們想要的信息,尤其是對于研究者們來說,想要及時了解所研究領(lǐng)域的動態(tài),有時并非易事。如今,世界上許多新知識主要以數(shù)字形式表現(xiàn)并存儲在數(shù)字圖書館(Digital Libraries)系統(tǒng)中,所以數(shù)字圖書館正在進入一個黃金時代。這樣的數(shù)據(jù)圖書館,在科技領(lǐng)域中,有如ACM Library、IEEE Library等。然而隨著科技的發(fā)展和信息的不斷增長,這些趨勢的產(chǎn)生導(dǎo)致了一個不可避免的問題——信息過載。例如,研究者們想要選擇合適的出版物發(fā)表論文時,發(fā)現(xiàn)大量的出版物與他們的搜索查詢匹配,但是在很大程度上與它們的實際需求無關(guān),這種情況讓他們在選擇上無所適從。故研究者們急需一個論文推薦系統(tǒng),幫助他們選擇合適的出版物。推薦系統(tǒng)是幫助用戶從大量的數(shù)據(jù)中找到自己想要的信息的一個解決方案。它是一種信息過濾工具,主要根據(jù)用戶的歷史行為等信息來構(gòu)建用戶喜好模型,用于預(yù)測用戶對物品的“評分”或“偏好”,并通過該喜好模型向用戶推薦其他相關(guān)信息。推薦系統(tǒng)近年來非常流行,在各行各業(yè)得以應(yīng)用。其對象主要包括:音樂、產(chǎn)品、新聞、搜索查詢、學(xué)術(shù)論文等。為了幫助研究者選擇合適的出版物并加快他們的投遞進度,本文針對科技類出版物,設(shè)計并實現(xiàn)了一個基于內(nèi)容的科技論文推薦系統(tǒng)。該系統(tǒng)基于CHI特征選擇和Softmax回歸的內(nèi)容過濾推薦模型,用戶只需要輸入文章的摘要,系統(tǒng)即可向用戶推薦該文章可發(fā)表的合適的出版物備選。該系統(tǒng)由三個部分組成:(1)數(shù)據(jù)爬取系統(tǒng)。(2)基于CHI的特征選擇和Softmax回歸的內(nèi)容過濾推薦算法。(3)基于Web服務(wù)的科技論文推薦系統(tǒng)。由于目前國際上沒有論文推薦系統(tǒng)相關(guān)數(shù)據(jù)集,且考慮到計算機科學(xué)領(lǐng)域的不斷變化和擴展,以及論文集的每日更新,本文設(shè)計并研發(fā)了論文摘要自動爬取系統(tǒng),該系統(tǒng)能夠自動地持續(xù)更新訓(xùn)練數(shù)據(jù)。基于爬取到的數(shù)據(jù),本文設(shè)計了基于CHI的特征空間生成方法,利用TF-IDF來計算每篇摘要的特征向量,然后使用Softmax回歸對特征向量分類進而向用戶推薦出版物。為了驗證本文提出的基于內(nèi)容的科技論文推薦算法的有效性,在本文數(shù)據(jù)爬蟲爬取到的數(shù)據(jù)的基礎(chǔ)上,分別對比了基于互信息(MI)的特征選擇方法、基于信息增益(IG)的特征選擇方法和基于卡方統(tǒng)計(CHI)的特征選擇方法,并利用Softmax回歸對特征向量分類,根據(jù)分類得分來判定推薦結(jié)果。從實驗的比較結(jié)果得出,對于論文推薦系統(tǒng)來說,CHI模型和IG模型更適用于特征選擇。最后,基于本文提出的推薦算法,本文設(shè)計并實現(xiàn)了基于Web服務(wù)的科技論文推薦系統(tǒng),該推薦系統(tǒng)根據(jù)用戶輸入的摘要,分別向用戶推薦三個期刊和三個會議,供用戶投稿參考。
[Abstract]:Because of the huge increase of the network information and the increasing complexity of the network, it is difficult for users to find out exactly the information they want from the massive data, especially for the researchers, who want to keep abreast of the developments in the research field. Sometimes it is not easy. Nowadays, a lot of new knowledge in the world is mainly expressed in digital form and stored in digital library system, so digital library is entering a golden age. Such a data library, in the field of technology, such as the ACM Library IEEE Library, and so on. However, with the development of science and technology and the increasing of information, these trends lead to an inevitable problem-information overload. For example, when researchers want to choose the right publication to publish a paper, they find that a large number of publications match their search queries, but to a large extent have nothing to do with their actual needs, which leaves them at a loss in their choice. So researchers urgently need a paper recommendation system to help them select the right publications. Recommendation system is a solution to help users find the information they want from a large amount of data. It is a kind of information filtering tool, which mainly constructs the user preference model according to the information of the user's history and behavior, which is used to predict the user's "score" or "preference" on the items, and recommends other relevant information to the user through the preference model. Recommendation system is very popular in recent years, can be applied in various industries. Its main objects include: music, products, news, search queries, academic papers and so on. In order to help researchers select suitable publications and speed up their delivery, this paper designs and implements a content-based recommendation system for scientific and technological publications. The system is based on the CHI feature selection and Softmax regression content filtering recommendation model. Users only need to input the summary of the article, and the system can recommend the suitable publication options for the article. The system consists of three parts: 1) data crawling system. 2) feature selection based on CHI and content filtering recommendation algorithm based on Softmax regression. Because there are no related data sets of thesis recommendation system in the world at present, considering the constant change and expansion of computer science field and the daily update of the thesis collection, this paper designs and develops a paper abstract automatic crawling system. The system can automatically continuously update training data. Based on the crawling data, this paper designs a feature space generation method based on CHI, calculates the feature vector of each abstract by using TF-IDF, then classifies the feature vector by Softmax regression and recommends the publication to the user. In order to verify the validity of the proposed content-based recommendation algorithm for scientific and technological papers, based on the data crawled by the crawler in this paper, the feature selection methods based on mutual information (MIM) are compared, respectively. The feature selection method based on information gain (IGG) and the feature selection method based on chi-square statistics (Chi). The feature vector is classified by Softmax regression and the recommended result is judged according to the classification score. The experimental results show that the Chi model and the IG model are more suitable for feature selection in the thesis recommendation system. Finally, based on the recommendation algorithm proposed in this paper, this paper designs and implements a science and technology paper recommendation system based on Web service. The recommendation system recommends three journals and three conferences to users according to the abstracts of user input. For user contribution reference.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.3

【相似文獻】

相關(guān)期刊論文 前10條

1 ;電商推薦系統(tǒng)進階[J];IT經(jīng)理世界;2013年11期

2 米可菲;張勇;邢春曉;蔚欣;;面向大數(shù)據(jù)的開源推薦系統(tǒng)分析[J];計算機與數(shù)字工程;2013年10期

3 脫建勇;王嵩;李秀;劉文煌;;精品課共享中的推薦系統(tǒng)框架與實現(xiàn)[J];計算機工程與設(shè)計;2006年17期

4 蘇冠賢;張麗霞;林丕源;劉吉平;;生物信息學(xué)推薦系統(tǒng)的設(shè)計與實現(xiàn)[J];計算機應(yīng)用研究;2007年05期

5 王改芬;;推薦系統(tǒng)研究綜述[J];軟件導(dǎo)刊;2007年23期

6 葉群來;;營銷與網(wǎng)絡(luò)推薦系統(tǒng)[J];電子商務(wù);2007年10期

7 李媚;;個性化網(wǎng)絡(luò)學(xué)習(xí)資源推薦系統(tǒng)研究[J];福建電腦;2008年12期

8 潘冉;姜麗紅;;基于經(jīng)濟學(xué)模型的推薦系統(tǒng)的研究[J];計算機應(yīng)用與軟件;2008年03期

9 劉魯;任曉麗;;推薦系統(tǒng)研究進展及展望[J];信息系統(tǒng)學(xué)報;2008年01期

10 劉小燕;陳艷麗;賈宗璞;沈記全;;基于增強學(xué)習(xí)的旅行計劃推薦系統(tǒng)[J];計算機工程;2010年21期

相關(guān)會議論文 前8條

1 張燕;李燕萍;;基于內(nèi)容分析和點擊率記錄的混合音樂推薦系統(tǒng)[A];2009年通信理論與信號處理學(xué)術(shù)年會論文集[C];2009年

2 趙欣;寇綱;鄔文帥;盧艷群;;基于時間密集性的推薦系統(tǒng)攻擊檢測[A];第六屆（2011）中國管理學(xué)年會論文摘要集[C];2011年

3 張玉連;張波;張敏;;改進的個性化信息推薦系統(tǒng)的設(shè)計與實現(xiàn)[A];2005年全國理論計算機科學(xué)學(xué)術(shù)年會論文集[C];2005年

4 王君;許潔萍;;層次音樂推薦系統(tǒng)的研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

5 潘宇;林鴻飛;楊志豪;;基于用戶聚類的電子商務(wù)推薦系統(tǒng)[A];第三屆學(xué)生計算語言學(xué)研討會論文集[C];2006年

6 尤忠彬;陳越;張英;朱揚勇;;基于Web服務(wù)的技術(shù)轉(zhuǎn)移平臺推薦系統(tǒng)研究[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

7 王國霞;劉賀平;李擎;;二部圖影射及其在推薦系統(tǒng)中的應(yīng)用[A];第25屆中國控制與決策會議論文集[C];2013年

8 王雪;董愛華;吳怡之;;基于RFID技術(shù)的智能服裝推薦系統(tǒng)設(shè)計[A];2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2011年

相關(guān)重要報紙文章 前2條

1 ;大數(shù)據(jù)如何“落地”[N];中國新聞出版報;2014年

2 本報記者 鄒大斌;大數(shù)據(jù)：電商新武器[N];計算機世界;2012年

相關(guān)博士學(xué)位論文 前10條

1 周魏;推薦系統(tǒng)中基于目標(biāo)項目分析的托攻擊檢測研究[D];重慶大學(xué);2015年

2 田剛;融合維基知識的情境感知Web服務(wù)發(fā)現(xiàn)方法研究[D];武漢大學(xué);2015年

3 胡亮;集成多元信息的推薦系統(tǒng)建模方法的研究[D];上海交通大學(xué);2015年

4 孫麗梅;Web-based推薦系統(tǒng)中若干關(guān)鍵問題研究[D];東北大學(xué);2013年

5 鄭麟;基于屬性提升與偏好集成的上下文感知推薦[D];武漢大學(xué);2017年

6 于鵬華;數(shù)據(jù)數(shù)量與質(zhì)量敏感的推薦系統(tǒng)若干問題研究[D];浙江大學(xué);2016年

7 王宏宇;商務(wù)推薦系統(tǒng)的設(shè)計研究[D];中國科學(xué)技術(shù)大學(xué);2007年

8 楊東輝;基于情感相似度的社會化推薦系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2014年

9 曹渝昆;基于神經(jīng)網(wǎng)絡(luò)和模糊邏輯的智能推薦系統(tǒng)研究[D];重慶大學(xué);2006年

10 王立才;上下文感知推薦系統(tǒng)若干關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 朱孔真;基于云計算的電子商務(wù)智能推薦系統(tǒng)研究[D];武漢理工大學(xué);2014年

2 郭敬澤;基于賦權(quán)評分和Dpark的分布式推薦系統(tǒng)研究與實現(xiàn)[D];天津理工大學(xué);2015年

3 周俊宇;信息推薦系統(tǒng)的研究與設(shè)計[D];江南大學(xué);2015年

4 李煒;基于電子商務(wù)平臺的保險推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];復(fù)旦大學(xué);2013年

5 車豐;基于排序主題模型的論文推薦系統(tǒng)[D];大連海事大學(xué);2015年

6 秦大路;基于因式分解機模型的上下文感知推薦系統(tǒng)研究[D];鄭州大學(xué);2015年

7 徐霞婷;動態(tài)路網(wǎng)監(jiān)控與導(dǎo)航推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];蘇州大學(xué);2015年

8 黃學(xué)峰;基于Hadoop的電影推薦系統(tǒng)研究與實現(xiàn)[D];南京師范大學(xué);2015年

9 路小瑞;基于Hadoop平臺的職位推薦系統(tǒng)的設(shè)計與實現(xiàn)[D];上海交通大學(xué);2015年

10 李愛寶;基于組合消費行為分析的團購?fù)扑]系統(tǒng)的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學(xué);2015年

，

本文編號：1924942