發(fā)布時(shí)間：2021-04-22 16:27

　　隨著互聯(lián)網(wǎng)的飛速發(fā)展,信息的數(shù)量呈現(xiàn)指數(shù)式增長。人們每天生活工作中都主動(dòng)或被動(dòng)地接受過載的信息,這無形中增加了人們生活和工作成本,因此,單位時(shí)間本身價(jià)值和單位時(shí)間搜索價(jià)值之間產(chǎn)生了無形的矛盾�；谝陨蠁栴},推薦系統(tǒng)為了適應(yīng)互聯(lián)網(wǎng)的高速發(fā)展應(yīng)運(yùn)而生,推薦系統(tǒng)主要作用是實(shí)現(xiàn)智能推薦。傳統(tǒng)的推薦系統(tǒng)都是基于推薦算法本身的性能進(jìn)行改進(jìn),把用戶資源信息視為一種靜態(tài)、不可變化的資源進(jìn)行用戶項(xiàng)目之間的運(yùn)算,雖然提高了推薦系統(tǒng)的性能,但是不能極大地滿足人們的心理需求。隨著互聯(lián)網(wǎng)的不斷發(fā)展,計(jì)算機(jī)技術(shù)快速進(jìn)步,基于用戶的個(gè)性化推薦方法成為學(xué)者們的重要研究對(duì)象,實(shí)現(xiàn)了從單純的算法優(yōu)化到算法和用戶心理相結(jié)合的轉(zhuǎn)變。在現(xiàn)實(shí)生活中人的心理活動(dòng)影響著推薦系統(tǒng)的推薦效果,由于人的心理活動(dòng)會(huì)受到自身需求和外界因素的影響,存在心理不穩(wěn)定狀態(tài),因此要實(shí)現(xiàn)真正個(gè)性化推薦,基于用戶心理挖掘分析顯得尤為重要。本文從用戶行為、遺忘、興趣特征進(jìn)行心理挖掘,通過國內(nèi)外對(duì)用戶心理活動(dòng)的相關(guān)研究分析,用戶的動(dòng)態(tài)心理活動(dòng)是影響系統(tǒng)推薦的重要因素,提出關(guān)于用戶心理分析的相關(guān)思路,常用方法就是對(duì)影響用戶的心理的特征因素進(jìn)行量化分析,實(shí)時(shí)的動(dòng)態(tài)... 

【文章來源】：哈爾濱理工大學(xué)黑龍江省

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 課題研究的目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 本課題研究的主要內(nèi)容
        1.3.1 課題來源
        1.3.2 課題的主要研究內(nèi)容
第2章 個(gè)性化推薦概述
    2.1 個(gè)性化推薦系統(tǒng)介紹
    2.2 個(gè)性化推薦算法分類
        2.2.1 基于內(nèi)容推薦
        2.2.2 協(xié)同過濾推薦
        2.2.3 關(guān)聯(lián)規(guī)則推薦
        2.2.4 混合推薦
    2.3 心理挖掘特征分析
        2.3.1 行為特征
        2.3.2 興趣特征
        2.3.3 心理學(xué)固有規(guī)律
    2.4 個(gè)性化推薦相似度計(jì)算
    2.5 本章小結(jié)
第3章 基于用戶群組行為分析的個(gè)性化推薦方法
    3.1 基于RFM模型的個(gè)性化行為分析
        3.1.1 RFM模型經(jīng)濟(jì)學(xué)模型概述
        3.1.2 基于RFM模型的群組行為分析
    3.2 基于改進(jìn)FP-tree算法的關(guān)聯(lián)挖掘
        3.2.1 關(guān)聯(lián)規(guī)則概述
        3.2.2 基于增量式權(quán)重的FP-tree關(guān)聯(lián)挖掘
    3.3 基于用戶行為習(xí)慣規(guī)則的DBSCAN聚類
        3.3.1 基于習(xí)慣規(guī)則的用戶向量
        3.3.2 用戶群組行為的DBSCAN聚類
    3.4 基于用戶群組行為的協(xié)同過濾推薦方法
    3.5 本章小結(jié)
第4章 基于遺忘曲線動(dòng)態(tài)興趣模型的推薦方法
    4.1 用戶興趣模型
    4.2 艾賓浩斯遺忘曲線的動(dòng)態(tài)興趣模型
        4.2.1 艾賓浩斯遺忘曲線
        4.2.2 用戶興趣多梯度遺忘加強(qiáng)分析
        4.2.3 用戶動(dòng)態(tài)興趣模型分析
    4.3 基于用戶動(dòng)態(tài)興趣模型的K-means聚類
    4.4 基于艾賓浩斯遺忘曲線動(dòng)態(tài)興趣模型推薦方法
    4.5 本章小結(jié)
第5章 基于用戶心理挖掘與分析的個(gè)性化推薦方法與實(shí)驗(yàn)分析
    5.1 基于用戶心理挖掘與分析的個(gè)性化推薦方法
        5.1.1 實(shí)驗(yàn)方法構(gòu)建
        5.1.2 實(shí)驗(yàn)數(shù)據(jù)
        5.1.3 評(píng)價(jià)標(biāo)準(zhǔn)
    5.2 基于用戶群組行為推薦方法的實(shí)驗(yàn)分析
    5.3 基于用戶動(dòng)態(tài)興趣模型推薦方法的實(shí)驗(yàn)分析
    5.4 基于用戶心理挖掘與分析推薦方法的實(shí)驗(yàn)分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于特征的協(xié)同聚類模型[J]. 張飛,張立波,羅鐵堅(jiān),武延軍.  計(jì)算機(jī)研究與發(fā)展. 2018(07)
[2]MN-HDRM:長短興趣多神經(jīng)網(wǎng)絡(luò)混合動(dòng)態(tài)推薦模型[J]. 馮永,張備,強(qiáng)保華,張逸揚(yáng),尚家興.  計(jì)算機(jī)學(xué)報(bào). 2019(01)
[3]一種基于社區(qū)專家信息的協(xié)同過濾推薦算法[J]. 張凱涵,梁吉業(yè),趙興旺,王智強(qiáng).  計(jì)算機(jī)研究與發(fā)展. 2018(05)
[4]基于移動(dòng)用戶瀏覽行為的推薦模型[J]. 丁哲,秦臻,鄭文韜,秦志光.  電子科技大學(xué)學(xué)報(bào). 2017(06)
[5]基于時(shí)間衰減的協(xié)同過濾推薦算法[J]. 董立巖,王越群,賀嘉楠,孫銘會(huì),李永麗.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2017(04)
[6]LBSN上基于興趣圈中社會(huì)關(guān)系挖掘的推薦算法[J]. 李鑫,劉貴全,李琳,吳宗大,丁君美.  計(jì)算機(jī)研究與發(fā)展. 2017(02)
[7]一種基于信任關(guān)系隱含相似度的社會(huì)化推薦算法[J]. 潘一騰,何發(fā)智,于海平.  計(jì)算機(jī)學(xué)報(bào). 2018(01)
[8]基于Ranking的泊松矩陣分解興趣點(diǎn)推薦算法[J]. 余永紅,高陽,王皓.  計(jì)算機(jī)研究與發(fā)展. 2016(08)
[9]融合社區(qū)結(jié)構(gòu)和興趣聚類的協(xié)同過濾推薦算法[J]. 郭弘毅,劉功申,蘇波,孟魁.  計(jì)算機(jī)研究與發(fā)展. 2016(08)
[10]基于用戶鄰域和主題的新穎性Web社區(qū)推薦方法[J]. 余騫,彭智勇,洪亮,萬言歷.  軟件學(xué)報(bào). 2016(05)

碩士論文
[1]基于用戶行為的日志分析系統(tǒng)的研究[D]. 范俊廣.吉林大學(xué) 2018



本文編號(hào)：3154092