【摘要】：近十年間,隨著互聯(lián)網(wǎng)逐漸在社會(huì)普及,信息爆炸現(xiàn)象日益明顯,各行業(yè)各領(lǐng)域用戶不斷為互聯(lián)網(wǎng)提供信息輸送,使得互聯(lián)網(wǎng)成為一個(gè)無(wú)所不包、無(wú)所不含的信息匯聚體,而互聯(lián)網(wǎng)用戶很難從其中快速地找到契合自己興趣的信息;每個(gè)用戶在使用搜索引擎檢索信息時(shí),同一個(gè)關(guān)鍵字得到的結(jié)果是相同的,而用戶對(duì)信息的需求是多元化和個(gè)性化的,因此,傳統(tǒng)的同質(zhì)化的搜索引擎為代表的信息檢索系統(tǒng)已不能滿足用戶千人千面的需求,個(gè)性化推薦系統(tǒng)在這種背景下走到了臺(tái)前。個(gè)性化推薦系統(tǒng)通過(guò)挖掘用戶的歷史行為數(shù)據(jù),從中提取出與興趣相關(guān)的記錄,根據(jù)一定的規(guī)則算法計(jì)算用戶的興趣點(diǎn),然后主動(dòng)向用戶進(jìn)行信息的個(gè)性化推送,從而解決了信息量大和信息選擇困難之間的矛盾。推薦系統(tǒng)通過(guò)長(zhǎng)期追蹤用戶歷史行為,不斷更新與迭代用戶興趣,使推薦的信息始終與用戶的興趣點(diǎn)相貼合,讓用戶更加方便的獲取到自己感興趣的信息,最終目的是實(shí)現(xiàn)針對(duì)用戶全方位的個(gè)性化定制推送。本文講述了如何構(gòu)建出完整電影知識(shí)圖譜的方法,從而可以結(jié)構(gòu)化描述用戶行為;同時(shí)根據(jù)用戶的觀影行為特征和電影本身的屬性,將電影分為獨(dú)立電影和系列電影,更細(xì)粒度的構(gòu)建電影知識(shí)圖譜,同時(shí)提出了一套發(fā)掘電影系列的實(shí)現(xiàn)算法�；A(chǔ)數(shù)據(jù)為用戶的上網(wǎng)請(qǐng)求,在不需要用戶參與的情況下獲得用戶的電影興趣行為,避免了用戶主觀選擇存在的不全面、不方便等問(wèn)題,通過(guò)分析和處理用戶的原始上網(wǎng)請(qǐng)求,從中提取出與電影相關(guān)的上網(wǎng)數(shù)據(jù),然后根據(jù)電影知識(shí)圖譜將用戶上網(wǎng)行為一一映射為用戶興趣行為,達(dá)到提取用戶興趣的目的�；赥F-IDF算法計(jì)算用戶各維度元素興趣度,構(gòu)建向量形式的用戶興趣模型,然后根據(jù)用戶對(duì)某電影各要素的興趣度,計(jì)算出用戶對(duì)該電影的總興趣度。最后,通過(guò)實(shí)驗(yàn)分析,證明了本文所提方案的高召回率和準(zhǔn)確率。
[Abstract]:In the past ten years, with the gradual popularization of the Internet in society, the phenomenon of information explosion is becoming more and more obvious. Users in various fields provide information for the Internet, which makes the Internet an all-encompassing and all-inclusive information aggregator. Internet users find it hard to quickly find information that suits their interests; each user uses a search engine to retrieve information with the same keyword and the same result. However, the information demand of users is diversified and individualized. Therefore, the traditional information retrieval system represented by homogeneous search engines can not meet the needs of thousands of users, and the personalized recommendation system has come to the front of the stage under this background. By mining the historical behavior data of users, the personalized recommendation system extracts the records related to interest, calculates the points of interest of users according to certain rules algorithm, and then proactively pushes the information to the users. Thus, the contradiction between the large amount of information and the difficulty of information selection is solved. The recommendation system continuously updates and iterates the user's interest by tracking the user's historical behavior for a long time, so that the recommended information always matches the user's point of interest, so that the user can obtain the information of his interest more conveniently. The ultimate goal is to achieve the user-oriented personalized customization push. This paper describes how to construct a complete film knowledge map so as to structurally describe user behavior, and divide films into independent films and series films according to the characteristics of the user's viewing behavior and the properties of the film itself. A finer-grained film knowledge map is constructed, and a set of algorithms for discovering film series is proposed. The basic data is the user's online request, which can obtain the user's interest in movies without the user's participation, and avoid the problems such as incompleteness and inconvenient of the user's subjective choice. Through analyzing and processing the user's original Internet request, The online data related to movies are extracted, and then, according to the movie knowledge map, the user's online behavior is mapped to user's interest behavior, and the purpose of extracting user's interest is achieved. Based on the TF-IDF algorithm, the user interest degree of each dimension is calculated, and the user interest model in vector form is constructed, and then the total interest degree of the user to the movie is calculated according to the interest degree of the user to each element of a movie. Finally, the high recall rate and accuracy of the proposed scheme are proved by experimental analysis.
【學(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王守];;走進(jìn)個(gè)性化推薦系統(tǒng)[J];程序員;2009年12期

2 張亞偉;蘇一丹;;基于移動(dòng)Agent的分布式個(gè)性化推薦系統(tǒng)[J];微計(jì)算機(jī)信息;2008年09期

3 許良;汪克夷;;基于移動(dòng)Agent的個(gè)性化推薦系統(tǒng)的研究[J];消費(fèi)導(dǎo)刊;2008年09期

4 劉洋;;面向電子商務(wù)網(wǎng)站的個(gè)性化推薦系統(tǒng)[J];中小企業(yè)管理與科技(上旬刊);2012年01期

5 麻旺勇;葉躍苗;;基于位置感知的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J];福建電腦;2014年01期

6 余建芳;;個(gè)性化推薦系統(tǒng)在民族院校圖書館信息服務(wù)中的設(shè)計(jì)探析——以甘肅民族師范學(xué)院圖書館為例[J];福建電腦;2014年01期

7 楊海濤;石磊;衛(wèi)琳;;一個(gè)基于搜索結(jié)果的個(gè)性化推薦系統(tǒng)[J];計(jì)算機(jī)工程與應(yīng)用;2006年32期

8 姜有輝;高琳琦;;個(gè)性化推薦系統(tǒng)中顧客信息的隱式采集方法研究[J];現(xiàn)代情報(bào);2006年11期

9 江秀佳;何源光;;國(guó)內(nèi)電子商務(wù)個(gè)性化推薦系統(tǒng)改進(jìn)研究[J];圖書情報(bào)工作;2009年16期

10 楊靜;;電子商務(wù)個(gè)性化推薦系統(tǒng)的構(gòu)建[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2012年28期

相關(guān)會(huì)議論文 前4條

1 黎隕;詹曉紅;孫莉;;基于頻繁遍歷路徑的個(gè)性化推薦系統(tǒng)[A];第二十屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2003年

2 周皓峰;高攀;施伯樂(lè);;一個(gè)基于興趣度包含負(fù)屬性項(xiàng)的關(guān)聯(lián)規(guī)則采掘算法[A];第十七屆全國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2000年

3 曲爽;谷文祥;;基于興趣度和負(fù)項(xiàng)集的關(guān)聯(lián)規(guī)則挖掘算法的研究[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

4 方煒煒;楊炳儒;唐志剛;楊君;;基于客觀興趣度的關(guān)聯(lián)規(guī)則優(yōu)化算法研究[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（一）[C];2008年

相關(guān)重要報(bào)紙文章 前1條

1 國(guó)防科技大學(xué)計(jì)算機(jī)學(xué)院 應(yīng)曉敏 竇文華;古老概念的鳳凰涅i肹N];計(jì)算機(jī)世界;2003年

相關(guān)碩士學(xué)位論文 前10條

1 趙鵬程;基于用戶上網(wǎng)數(shù)據(jù)的電影個(gè)性化推薦系統(tǒng)研究[D];北京郵電大學(xué);2015年

2 倪鵬飛;基于顧客滿意度的電子商務(wù)個(gè)性化推薦系統(tǒng)評(píng)價(jià)研究[D];河北大學(xué);2015年

3 賈忠濤;電影個(gè)性化推薦系統(tǒng)的研究與實(shí)現(xiàn)[D];西南科技大學(xué);2015年

4 何俊;基于社交網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];貴州大學(xué);2015年

5 肖巧龍;基于用戶隱性行為的個(gè)性化推薦系統(tǒng)的設(shè)計(jì)及研究[D];南京財(cái)經(jīng)大學(xué);2014年

6 于淼;基于LBS的個(gè)性化推薦系統(tǒng)的研究與設(shè)計(jì)[D];北京郵電大學(xué);2015年

7 汪亭廷;美味網(wǎng)電子商務(wù)個(gè)性化推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];電子科技大學(xué);2014年

8 陳博文;融合信任網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)研究[D];上海交通大學(xué);2015年

9 溫瑞龍;基于社交網(wǎng)絡(luò)的個(gè)性化推薦系統(tǒng)研究與實(shí)現(xiàn)[D];浙江工業(yè)大學(xué);2015年

10 劉旭;基于情感權(quán)重的個(gè)性化推薦系統(tǒng)[D];南京郵電大學(xué);2015年

，

本文編號(hào)：2195787