文學作品隨著時間推移無論數(shù)量還是種類都日益豐厚,得到了讀者的喜愛。載有文學作品的網(wǎng)站不斷涌現(xiàn),相比傳統(tǒng)書店方便了人們的閱讀,比如說豆瓣圖書,比如說各種各樣的電商網(wǎng)站。為了解決文學作品數(shù)量以及品類不斷增多的問題,推薦算法應(yīng)運而生。這些算法被各種各樣的網(wǎng)站引進使用,根據(jù)讀者的特性以及書籍的特性進行針對性推薦,這樣的效果遠遠好于以往的純粹搜索算法。但是,隨著人口的急劇增加以及讀者的要求越來越多樣化以及書籍種類數(shù)量急劇增長,以往的陳舊的推薦算法并不能實時的有效的精準推薦,使得推薦效果不理想,讀者不能確切的得到自己真正想要的符合細微要求的文學作品,這就使得讀者體驗不佳,有提升的需要。本文研究內(nèi)容:1.對讀者評論文本進行了定性分析,傳統(tǒng)信息增益算法（IG,Information Gain）并沒有密切注意到特征項在類內(nèi)和類間的分布狀況,此文對此進行了改進,然后將讀者的評論文本分析后化作等級評定分值,融入到原始純粹評分中,兩種分值分配權(quán)重后形成新的分值。提出基于類間集中度和類內(nèi)分散度權(quán)重信息增益算法（DWIG,Distribution Weighted Information Gain）,能夠根據(jù)特征... 

【文章來源】：北京郵電大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于內(nèi)容的推薦算法
        1.2.2 協(xié)同過濾推薦算法
        1.2.3 關(guān)聯(lián)規(guī)則推薦算法
        1.2.4 混合推薦算法
    1.3 推薦算法面臨的挑戰(zhàn)
        1.3.1 冷啟動問題
        1.3.2 數(shù)據(jù)稀疏性問題
        1.3.3 實時性與準確性問題
    1.4 論文組織和結(jié)構(gòu)
第二章 推薦算法和文本處理算法
    2.1 協(xié)同過濾推薦算法
        2.1.1 基于內(nèi)存的協(xié)同過濾推薦算法
        2.1.2 基于模型的協(xié)同過濾推薦算法
    2.2 基于內(nèi)容的推薦算法
    2.3 基于關(guān)聯(lián)規(guī)則的推薦算法
    2.4 基于效用推薦
    2.5 基于知識推薦
    2.6 混合推薦算法
    2.7 推薦算法評價指標
        2.7.1 準確性
        2.7.2 覆蓋率
    2.8 常用的特征選擇算法
        2.8.1 文檔頻率
        2.8.2 X2統(tǒng)計量
        2.8.3 互信息
        2.8.4 信息增益
        2.8.5 期望交叉熵
    2.9 本章小結(jié)
第三章 信息增益算法與TF-IDF算法的改進
    3.1 信息增益算法的剖析與優(yōu)化
        3.1.1 信息增益算法的原理
        3.1.2 信息增益算法的分析與改進
    3.2 TF-IDF算法的分析與研究
        3.2.1 TF-IDF算法的原理
        3.2.2 TF-IDF算法的分析與改進
    3.3 讀者文本等級評分原理與實現(xiàn)
    3.4 實驗分析
        3.4.1 特征選擇算法實驗
        3.4.2 特征權(quán)重實驗
        3.4.3 兩者結(jié)合對比實驗
    3.5 本章小結(jié)
第四章 基于社區(qū)劃分與讀者評分準則的個性化推薦算法
    4.1 基于社區(qū)劃分的個性化推薦算法
        4.1.1 問題的提出
        4.1.2 基于社區(qū)劃分的個性化推薦算法
    4.2 基于讀者評分準則與文本等級評分的推薦算法
        4.2.1 問題描述及挑戰(zhàn)
        4.2.2 算法實現(xiàn)
    4.3 基于讀者社區(qū)劃分與準則因子的推薦算法實驗
    4.4 本章小結(jié)
第五章 總結(jié)與展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于LDA的中文詞語相似度計算[J]. 呂亞偉,李芳,戴龍龍.  北京化工大學學報(自然科學版). 2016(05)
[2]基于內(nèi)容的推薦與協(xié)同過濾融合的新聞推薦方法[J]. 楊武,唐瑞,盧玲.  計算機應(yīng)用. 2016(02)
[3]基于LDA的互聯(lián)網(wǎng)廣告點擊率預(yù)測研究[J]. 朱志北,李斌,劉學軍,胡平.  計算機應(yīng)用研究. 2016(04)
[4]大數(shù)據(jù)時代自媒體定制新聞推薦研究——以《今日頭條》APP為例[J]. 薛瑞環(huán).  商. 2015(29)
[5]社會化標注環(huán)境下的標簽共現(xiàn)譜聚類方法[J]. 李慧宗,胡學鋼,何偉,潘劍寒.  圖書情報工作. 2014(23)
[6]全民閱讀活動的背景、特色與推動[J]. 湯更生,朱鶯.  國家圖書館學刊. 2013(03)
[7]日本閱讀推廣體制研究[J]. 曹磊.  國家圖書館學刊. 2013(02)
[8]基于K-means聚類與張量分解的社會化標簽推薦系統(tǒng)研究[J]. 孫玲芳,李爍朋.  江蘇科技大學學報(自然科學版). 2012(06)
[9]Tag-Aware Recommender Systems:A State-of-the-Art Survey[J]. 張子柯,周濤,張翼成.  Journal of Computer Science & Technology. 2011(05)
[10]一種社會化標注系統(tǒng)資源個性化推薦方法[J]. 郭偉光,李道芳,章蕾.  計算機工程與應(yīng)用. 2011(10)

碩士論文
[1]基于Spark平臺推薦系統(tǒng)研究[D]. 楊志偉.中國科學技術(shù)大學 2015



本文編號：3167920