發(fā)布時(shí)間：2022-02-19 08:15

　　隨著移動(dòng)計(jì)算飛速發(fā)展,為了方便用戶使用智能移動(dòng)設(shè)備和訪問移動(dòng)網(wǎng)絡(luò)中的信息服務(wù),app的數(shù)量急劇增長,如此海量的應(yīng)用導(dǎo)致用戶無法從這些海量應(yīng)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(gè)應(yīng)用市場將個(gè)性化推薦系統(tǒng)應(yīng)用于自己的應(yīng)用商場,主動(dòng)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(dāng)前研究普遍關(guān)注的熱點(diǎn)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?jǐn)?shù)據(jù)稀疏問題,針對該問題,本課題設(shè)計(jì)并實(shí)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(shí)現(xiàn)了基于用戶的協(xié)同過濾、基于項(xiàng)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(shí)驗(yàn)數(shù)據(jù),從準(zhǔn)確率、召回率、F1值、SSD這四個(gè)評價(jià)指標(biāo)對這三種算法進(jìn)行評估。（2）針對評分?jǐn)?shù)據(jù)稀疏問題,本文對以上基于評分的協(xié)同過濾進(jìn)行改進(jìn)。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(yù)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(jì)算方法... 

【文章來源】：東南大學(xué)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(xué)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(guān)理論及技術(shù)
    2.1 移動(dòng)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(xiàng)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(jìn)
        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(shí)間衰減的協(xié)同過濾(UBSTDBCF)
    3.3 實(shí)驗(yàn)數(shù)據(jù)與評價(jià)指標(biāo)
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 評價(jià)指標(biāo)
    3.4 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第四章 app推薦系統(tǒng)的設(shè)計(jì)與實(shí)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(shè)計(jì)
        4.2.1 系統(tǒng)框架設(shè)計(jì)
        4.2.2 系統(tǒng)流程設(shè)計(jì)
        4.2.3 系統(tǒng)功能模塊設(shè)計(jì)
    4.3 app推薦系統(tǒng)的詳細(xì)設(shè)計(jì)與實(shí)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(yù)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(xiàn)


【參考文獻(xiàn)】：
期刊論文
[1]信息過載對在線消費(fèi)者購物決策的影響[J]. 齊莉麗,趙蕊.  商業(yè)經(jīng)濟(jì)研究. 2018(10)
[2]基于深度學(xué)習(xí)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(jì)算機(jī)學(xué)報(bào). 2018(07)
[3]基于模體演化的時(shí)序鏈路預(yù)測方法[J]. 王守輝,于洪濤,黃瑞陽,馬青青.  自動(dòng)化學(xué)報(bào). 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(jì)算機(jī)學(xué)報(bào). 2016(06)
[5]推薦系統(tǒng)評價(jià)指標(biāo)綜述[J]. 朱郁筱,呂琳媛.  電子科技大學(xué)學(xué)報(bào). 2012(02)
[6]個(gè)性化推薦系統(tǒng)綜述[J]. 王國霞,劉賀平.  計(jì)算機(jī)工程與應(yīng)用. 2012(07)
[7]個(gè)性化推薦系統(tǒng)評價(jià)方法綜述[J]. 劉建國,周濤,郭強(qiáng),汪秉宏.  復(fù)雜系統(tǒng)與復(fù)雜性科學(xué). 2009(03)
[8]高性能網(wǎng)絡(luò)爬蟲:研究綜述[J]. 周德懋,李舟軍.  計(jì)算機(jī)科學(xué). 2009(08)
[9]基于Web社會(huì)網(wǎng)絡(luò)的個(gè)性化Web信息推薦模型[J]. 陳君,唐雁.  計(jì)算機(jī)科學(xué). 2006(04)
[10]電子商務(wù)系統(tǒng)中的信息推薦方法研究[J]. 劉瑋.  情報(bào)科學(xué). 2006(02)



本文編號：3632541