隨著智能化設備的普及,移動應用市場大量涌現(xiàn),越來越多的移動APP被開發(fā)者開發(fā)。據(jù)統(tǒng)計,2019年全球移動用戶在App Store和Google Play的下載量突破了1200億次,同比去年增長了5%。海量應用在給用戶帶來個性化體驗和生活便捷的同時,也帶來了信息過載的問題。因此,如何為用戶推薦滿足其個性化需求的應用已成為學術界以及商業(yè)界共同關注的話題。如今,個性化推薦技術已廣泛應用于商務、娛樂和決策支持等領域。傳統(tǒng)的推薦方法大多采用協(xié)同過濾（Collaborative Filtering,CF）算法,通過相似度計算或者機器學習方法建模,來預測用戶-項目評價矩陣的缺失值。但是該方法存在嚴重的數(shù)據(jù)稀疏性問題,很難發(fā)現(xiàn)相似用戶或者相似項目,導致預測精度較差。此外,相比于傳統(tǒng)的推薦系統(tǒng),移動APP推薦具有更多新特性,比如:移動應用的種類繁多且更新迅速,從而導致推薦過程比傳統(tǒng)推薦更加復雜。傳統(tǒng)推薦常利用用戶對項目的整體評價,獲取用戶對項目的偏好,忽略了移動應用的功能特征及內在聯(lián)系。然而,在APP的下載和使用中,用戶的興趣可能更傾向于自己的功能需求。這些問題導致傳統(tǒng)的推薦方法直接應用到移動APP領域... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 國內外研究現(xiàn)狀
        1.2.1 推薦系統(tǒng)的研究現(xiàn)狀
        1.2.2 移動APP推薦的研究現(xiàn)狀
    1.3 論文研究內容與成果
    1.4 論文組織結構
第二章 相關理論與技術
    2.1 個性化推薦理論
        2.1.1 基于內容的推薦
        2.1.2 協(xié)同過濾推薦
        2.1.3 基于關聯(lián)規(guī)則的推薦
    2.2 數(shù)據(jù)挖掘相關技術基礎
        2.2.1 Apriori算法
        2.2.2 HITS算法
        2.2.3 PageRank算法
    2.3 本章小結
第三章 基于HITS算法的關聯(lián)規(guī)則推薦方法
    3.1 模型整體框架描述
    3.2 基于用戶評分矩陣的HITS模型
        3.2.1 用戶評分矩陣的HITS模型描述
        3.2.2 HITS算法迭代終止條件設置
        3.2.3 改進的HITS算法流程
    3.3 HITS與關聯(lián)規(guī)則融合的挖掘模型
        3.3.1 權重關聯(lián)規(guī)則模型
        3.3.2 算法流程
    3.4 實驗結果與分析
        3.4.1 數(shù)據(jù)集與實驗環(huán)境
        3.4.2 Authority相關性分析
        3.4.3 評價指標與對比算法
        3.4.4 實驗結果分析
    3.5 本章小結
第四章 基于功能特征的APP推薦方法
    4.1 問題描述
    4.2 基于功能特征的APP推薦模型
        4.2.1 Stage 1:APP功能特征的提取
        4.2.2 Stage 2:APP特征圖的構建
        4.2.3 Stage 3:用戶功能偏好計算
        4.2.4 Stage 4:個性化推薦
    4.3 算法的流程
    4.4 時間復雜度分析
    4.5 實驗結果與分析
        4.5.1 數(shù)據(jù)集描述
        4.5.2 評價指標
        4.5.3 對比算法
        4.5.4 實驗對比及參數(shù)對結果影響
    4.6 本章小結
第五章 結論
參考文獻
攻讀碩士學位期間取得的學術成果
攻讀碩士學位期間參與的科研項目
致謝


【參考文獻】：
期刊論文
[1]一種結合詞項語義信息和TF-IDF方法的文本相似度量方法[J]. 黃承慧,印鑒,侯昉.  計算機學報. 2011(05)



本文編號：3498792