隨著移動(dòng)互聯(lián)網(wǎng)的日益高速崛起以及在信息時(shí)代與人們?nèi)粘Ｉ钯|(zhì)量越來越緊密的情況下,造成移動(dòng)端和PC端信息數(shù)據(jù)成指數(shù)增長(zhǎng)。每個(gè)用戶由于職業(yè)、所處地域、習(xí)慣、愛好、性別的不同,所需要的有用信息是多種多樣的,并且在海量信息中所占的比例非常小,僅僅占據(jù)其中的小部分。通過有限的時(shí)間在信息過載的網(wǎng)絡(luò)中來找到對(duì)用戶有價(jià)值的數(shù)據(jù)信息是非常有必要、有意義的。為了解決信息量大而導(dǎo)致有價(jià)值的信息被淹沒的問題,推薦算法和搜索引擎是解決用戶信息過載問題的關(guān)鍵方式。搜索引擎根據(jù)用戶輸入的參數(shù),在系統(tǒng)后臺(tái)中對(duì)數(shù)據(jù)進(jìn)行過濾、處理、匹配,再將數(shù)據(jù)信息返回給前端給用戶展示,使用搜索引擎查找信息的時(shí)候,有兩個(gè)缺點(diǎn),第一個(gè)就是,需要用戶主動(dòng)輸入數(shù)據(jù),否則大多都是廣告或者垃圾信息,第二個(gè)就是,用戶輸入的數(shù)據(jù)不準(zhǔn)確或者無法提供相關(guān)的關(guān)鍵字,則這種情況下也無法提供用戶有用的信息,造成用戶非常差的體驗(yàn)感以及無法提高用戶粘度。與搜索引擎相比,推薦算法不需要用戶輸入明確的數(shù)據(jù),只需要根據(jù)用戶之前的歷史痕跡,如:搜索記錄、點(diǎn)擊瀏覽、加入購(gòu)物車、下單支付、評(píng)價(jià)等主動(dòng)給客戶展示有用的信息。經(jīng)過長(zhǎng)期的信息化發(fā)展,推薦算法已廣泛使用于我們生活的方方...

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 推薦算法在國(guó)內(nèi)外的現(xiàn)狀
    1.3 本文主體內(nèi)容的研究
    1.4 本文主體論文結(jié)構(gòu)
第2章 推薦算法技術(shù)分析與挑戰(zhàn)
    2.1 推薦系統(tǒng)的介紹與分類
    2.2 基于用戶行為分析和用戶數(shù)據(jù)歸一化
    2.3 基于用戶的協(xié)同過濾算法(User-Based CF)
    2.4 基于商品的協(xié)同過濾(Item-Based CF)
    2.5 隱語義模型(Latent Factor Model)
    2.6 基于內(nèi)容推薦
    2.7 組合推薦
    2.8 當(dāng)前推薦算法的問題與挑戰(zhàn)
    2.9 本章小結(jié)
第3章 Item-CF在個(gè)性化與多樣化的改進(jìn)
    3.1 Item-CF在個(gè)性化上的改進(jìn)
    3.2 Item-CF在多樣化上的改進(jìn)
    3.3 Item-CF改進(jìn)后在性能指標(biāo)上的測(cè)評(píng)
    3.4 本章小結(jié)
第4章 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 實(shí)驗(yàn)數(shù)據(jù)收集與處理
    4.3 Item-CF改進(jìn)前后的性能比較
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
個(gè)人簡(jiǎn)介



本文編號(hào)：3831439