隨著移動計算飛速發(fā)展,為了方便用戶使用智能移動設備和訪問移動網(wǎng)絡中的信息服務,app的數(shù)量急劇增長,如此海量的應用導致用戶無法從這些海量應用中快速地選擇出滿足自己需求和符合自己潛在興趣的app。為了解決這一難題,各個應用市場將個性化推薦系統(tǒng)應用于自己的應用商場,主動為用戶推薦符合用戶的潛在興趣的app,因此,app推薦系統(tǒng)已經(jīng)成為當前研究普遍關注的熱點問題。協(xié)同過濾是app推薦系統(tǒng)的主要推薦算法,但傳統(tǒng)的協(xié)同過濾算法存在評分數(shù)據(jù)稀疏問題,針對該問題,本課題設計并實現(xiàn)了一種基于用戶行為的app推薦系統(tǒng),其主要工作如下:（1）研究了基于評分的協(xié)同過濾算法,主要包括基于內(nèi)存的協(xié)同過濾和基于模型的協(xié)同過濾算法。實現(xiàn)了基于用戶的協(xié)同過濾、基于項目的協(xié)同過濾、基于正則化的奇異值分解的協(xié)同過濾。并結(jié)合實驗數(shù)據(jù),從準確率、召回率、F1值、SSD這四個評價指標對這三種算法進行評估。（2）針對評分數(shù)據(jù)稀疏問題,本文對以上基于評分的協(xié)同過濾進行改進。提出了一種基于用戶行為序列的協(xié)同過濾,將更為豐富的行為日志數(shù)據(jù)作為協(xié)同過過濾算法的輸入數(shù)據(jù)。通過數(shù)據(jù)預處理構(gòu)造用戶行為序列,并提出了基于行為序列的相似度計算方法... 

【文章來源】：東南大學江蘇省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
縮略詞表
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 論文主要內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 app推薦系統(tǒng)相關理論及技術(shù)
    2.1 移動端的數(shù)據(jù)爬取策略
    2.2 興趣漂移
    2.3 損失函數(shù)的最優(yōu)化策略
        2.3.1 梯度下降算法的描述
        2.3.2 梯度下降算法的調(diào)優(yōu)
        2.3.3 梯度下降算法的更新方式
    2.4 推薦系統(tǒng)的評估方法
    2.5 本章小結(jié)
第三章 app推薦算法的研究
    3.1 基于協(xié)同過濾的推薦算法
        3.1.1 基于用戶的協(xié)同過濾
        3.1.2 基于項目的協(xié)同過濾
        3.1.3 基于RSVD的協(xié)同過濾
        3.1.4 無評分用戶的推薦策略
    3.2 基于協(xié)同過濾的推薦算法的改進
        3.2.1 基于用戶行為序列的協(xié)同過濾(UBSBCF)
        3.2.2 基于用戶行為序列和時間衰減的協(xié)同過濾(UBSTDBCF)
    3.3 實驗數(shù)據(jù)與評價指標
        3.3.1 實驗數(shù)據(jù)
        3.3.2 評價指標
    3.4 實驗結(jié)果及分析
    3.5 本章小結(jié)
第四章 app推薦系統(tǒng)的設計與實現(xiàn)
    4.1 系統(tǒng)需求分析
        4.1.1 功能需求分析
        4.1.2 性能需求分析
    4.2 系統(tǒng)總體設計
        4.2.1 系統(tǒng)框架設計
        4.2.2 系統(tǒng)流程設計
        4.2.3 系統(tǒng)功能模塊設計
    4.3 app推薦系統(tǒng)的詳細設計與實現(xiàn)
        4.3.1 系統(tǒng)開發(fā)環(huán)境
        4.3.2 數(shù)據(jù)采集模塊
        4.3.3 數(shù)據(jù)預處理模塊
        4.3.4 app推薦模塊
    4.4 本章小結(jié)
第五章 系統(tǒng)的測試及性能評估
    5.1 系統(tǒng)測試
        5.1.1 測試環(huán)境
        5.1.2 功能測試
    5.2 性能評估
    5.3 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來研究展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]信息過載對在線消費者購物決策的影響[J]. 齊莉麗,趙蕊.  商業(yè)經(jīng)濟研究. 2018(10)
[2]基于深度學習的推薦系統(tǒng)研究綜述[J]. 黃立威,江碧濤,呂守業(yè),劉艷博,李德毅.  計算機學報. 2018(07)
[3]基于模體演化的時序鏈路預測方法[J]. 王守輝,于洪濤,黃瑞陽,馬青青.  自動化學報. 2016(05)
[4]協(xié)同過濾推薦系統(tǒng)中的用戶博弈[J]. 徐蕾,楊成,姜春曉,任勇.  計算機學報. 2016(06)
[5]推薦系統(tǒng)評價指標綜述[J]. 朱郁筱,呂琳媛.  電子科技大學學報. 2012(02)
[6]個性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計算機工程與應用. 2012(07)
[7]個性化推薦系統(tǒng)評價方法綜述[J]. 劉建國,周濤,郭強,汪秉宏.  復雜系統(tǒng)與復雜性科學. 2009(03)
[8]高性能網(wǎng)絡爬蟲:研究綜述[J]. 周德懋,李舟軍.  計算機科學. 2009(08)
[9]基于Web社會網(wǎng)絡的個性化Web信息推薦模型[J]. 陳君,唐雁.  計算機科學. 2006(04)
[10]電子商務系統(tǒng)中的信息推薦方法研究[J]. 劉瑋.  情報科學. 2006(02)



本文編號：3632541