本文關(guān)鍵詞：基于情景分析的網(wǎng)絡(luò)閱讀個性化推薦方法研究

  更多相關(guān)文章： 個性化推薦 情景推理 貝葉斯網(wǎng)絡(luò) 協(xié)同過濾

【摘要】：在經(jīng)濟社會與網(wǎng)絡(luò)迅猛發(fā)展的今天,產(chǎn)品與服務(wù)的多樣性往往讓用戶迷失在選擇的洪流中,而核心數(shù)據(jù)噴發(fā)式的增長也使得人們?yōu)榱说玫阶约合胍男畔?需要付出更多的時間成本。雖然搜索引擎等主動服務(wù)模式為人們獲取資源,提供了篩選途徑,但大眾化普適服務(wù)無法滿足人們?nèi)找嬖鲩L的個性化需求,無法真正在特定時間與地點等環(huán)境中為潛在用戶提供滿意并且合適的服務(wù)。因此,為適應(yīng)人們的個性化需求,同時降低用戶的搜尋成本,推薦系統(tǒng)走進了大眾的生活,并為工作學(xué)習(xí)帶來了便利。個性化推薦也成為了推薦服務(wù)的研究趨勢之一。本文在對國內(nèi)外相關(guān)推薦技術(shù)的理論框架、算法實現(xiàn)與技術(shù)發(fā)展的研究基礎(chǔ)上,以人因工程研究領(lǐng)域中用戶體驗、決策理論與方法研究中相關(guān)知識為切入點,綜合考慮人的便利性、滿意度等主觀因素,引入情景分析理論對個性化推薦方法進行改進。首先,在網(wǎng)絡(luò)閱讀領(lǐng)域應(yīng)用貝葉斯網(wǎng)絡(luò)方法對影響用戶偏好的信息進行情景推理,構(gòu)建子模型；其次,通過相關(guān)系數(shù)法確定情景信息、用戶基本信息和歷史行為信息之間的權(quán)重系數(shù),基于用戶-情景-項目之間的關(guān)系構(gòu)建用戶偏好模型；再次,對傳統(tǒng)的用戶相似性計算方法進行改進,并實現(xiàn)個性化的推薦；最后,通過算例分析與實驗對比的方法,驗證基于情景分析的個性化推薦的有效性與推薦質(zhì)量的改善。應(yīng)用情景理論研究個性化推薦的方法,與傳統(tǒng)的協(xié)同過濾算法相比,在推薦準確性上有很大的改進,說明了當(dāng)前情景不同會對用戶在系統(tǒng)應(yīng)用中的選擇決策有不同程度的影響�；谇榫暗膫�性化推薦,綜合分析系統(tǒng)性能、用戶心理與環(huán)境因素,實現(xiàn)人機交互的一體化,對于網(wǎng)站等服務(wù)提供商改進用戶體驗,增加點擊率與增強用戶粘性具有深遠的意義與研究價值。
【關(guān)鍵詞】：個性化推薦 情景推理 貝葉斯網(wǎng)絡(luò) 協(xié)同過濾
【學(xué)位授予單位】：東北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP391.3
【目錄】：

• 摘要5-6
• Abstract6-11
• 第1章 緒論11-16
• 1.1 研究背景11-12
• 1.2 研究意義12-13
• 1.3 研究內(nèi)容13
• 1.4 研究思路與研究方法13-14
• 1.5 論文結(jié)構(gòu)14-16
• 第2章 相關(guān)研究文獻綜述16-28
• 2.1 文獻檢索情況概述16-19
• 2.1.1 文獻檢索范圍分析16
• 2.1.2 相關(guān)文獻情況分析16-17
• 2.1.3 學(xué)術(shù)研究趨勢分析17-19
• 2.2 個性化推薦的研究概況19-24
• 2.2.1 國外研究綜述20-21
• 2.2.2 國內(nèi)研究綜述21-24
• 2.3 關(guān)于情景的研究24-26
• 2.3.1 國外研究綜述24-25
• 2.3.2 國內(nèi)研究綜述25-26
• 2.4 已有研究的貢獻與不足26-27
• 2.4.1 主要貢獻26
• 2.4.2 不足之處26-27
• 2.5 已有研究成果對本文的啟示27
• 2.6 本章小結(jié)27-28
• 第3章 相關(guān)理論和方法28-35
• 3.1 個性化推薦的基本概念28-30
• 3.1.1 個性化推薦的定義28-29
• 3.1.2 個性化推薦的模式29-30
• 3.2 個性化推薦的主要算法30-31
• 3.2.1 基于內(nèi)容的推薦30
• 3.2.2 協(xié)同過濾推薦30
• 3.2.3 關(guān)聯(lián)規(guī)則推薦30
• 3.2.4 基于網(wǎng)絡(luò)結(jié)構(gòu)的推薦30-31
• 3.2.5 混合推薦31
• 3.3 情景的相關(guān)概念31-34
• 3.3.1 情景描述31-32
• 3.3.2 情景信息的分類與獲取途徑32-33
• 3.3.3 情景推理方法33-34
• 3.4 本章小結(jié)34-35
• 第4章 基于貝葉斯網(wǎng)絡(luò)情景推理的用戶偏好子模型構(gòu)建35-54
• 4.1 問題描述35-43
• 4.1.1 問題背景35-36
• 4.1.2 情景的選擇與分析36-38
• 4.1.3 基本假設(shè)與符號說明38-39
• 4.1.4 條件概率的數(shù)據(jù)收集39-43
• 4.2 情景信息的用戶偏好推理子模型43-47
• 4.2.1 分析階段43
• 4.2.2 更新階段43-47
• 4.2.3 用戶偏好的向量表示47
• 4.3 用戶基本特征與歷史行為的用戶偏好推理子模型47-53
• 4.3.1 分析階段47-48
• 4.3.2 更新階段48-52
• 4.3.3 用戶偏好的向量表示52-53
• 4.4 本章小結(jié)53-54
• 第5章 基于用戶偏好模型的個性化推薦方法設(shè)計54-65
• 5.1 用戶偏好模型構(gòu)建54-58
• 5.1.1 權(quán)重系數(shù)計算的一般方法54-55
• 5.1.2 權(quán)重系數(shù)的計算55-58
• 5.1.3 用戶偏好模型的表示58
• 5.2 基于用戶偏好模型的相似性算法58-61
• 5.2.1 個性化推薦過程分析58-59
• 5.2.2 相似性計算方法的選擇59-60
• 5.2.3 改進的用戶相似性計算60-61
• 5.3 用戶的評分預(yù)測61-62
• 5.4 算法步驟62-64
• 5.5 本章小結(jié)64-65
• 第6章 無覓網(wǎng)個性化推薦算例與實驗分析65-78
• 6.1 網(wǎng)站背景65-66
• 6.2 實驗設(shè)計66-67
• 6.3 數(shù)據(jù)處理67-74
• 6.4 結(jié)果分析74-77
• 6.5 本章小結(jié)77-78
• 第7章 結(jié)論與展望78-80
• 7.1 結(jié)論78
• 7.2 展望78-80
• 參考文獻80-85
• 致謝85-86
• 作者簡介86-87
• 附錄87-89

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 朱世清;;個性化推薦技術(shù)在學(xué)科服務(wù)中的應(yīng)用研究[J];農(nóng)業(yè)圖書情報學(xué)刊;2012年10期

2 李穎;方興;;旅游微博個性化推薦技術(shù)和推薦效果研究[J];硅谷;2013年23期

3 冀俊忠,劉椿年;基于多級客戶模型的個性化推薦機制[J];小型微型計算機系統(tǒng);2005年09期

4 胡慕海;蔡淑琴;張宇;;面向個性化推薦的情境化用戶偏好研究[J];情報雜志;2010年10期

5 武慧娟;周蘭萍;辛躍;;基于知識圖譜的國內(nèi)外個性化推薦比較研究[J];東北電力大學(xué)學(xué)報;2012年05期

6 徐月美;姜薇;王溢策;;移動設(shè)備的個性化推薦在上下文感知應(yīng)用[J];微計算機信息;2009年21期

7 夏秀峰;吳蘭蘭;;一種基于商品基因的個性化推薦模型[J];遼寧大學(xué)學(xué)報(自然科學(xué)版);2009年04期

8 劉蓓琳;;基于用戶滿意度的電子商務(wù)個性化推薦評價研究[J];中國物流與采購;2012年14期

9 孫鴻飛;武慧娟;李晟光;;基于知識圖譜的個性化推薦研究熱點與前沿分析[J];情報科學(xué);2012年12期

10 吳昊;;基于數(shù)據(jù)挖掘的個性化推薦[J];河南師范大學(xué)學(xué)報(自然科學(xué)版);2013年03期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 馮時;陽峰;王大玲;于戈;;基于虛擬觀點社群的用戶個性化推薦[A];第六屆全國信息檢索學(xué)術(shù)會議論文集[C];2010年

2 劉晉;王潛平;房坤;;基于agent技術(shù)和反饋機制的個性化推薦方法研究與設(shè)計[A];第二屆和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第2屆中國人機交互學(xué)術(shù)會議(CHCI'06)論文集[C];2006年

3 王鑫;黃忠義;;網(wǎng)絡(luò)資源中基于K-Means聚類的個性化推薦[A];2013年全國通信軟件學(xué)術(shù)會議論文集[C];2013年

4 曹雷;杜輝鋒;;基于Web挖掘的個性化推薦模型的研究[A];全國第十屆企業(yè)信息化與工業(yè)工程學(xué)術(shù)年會論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前2條

1 云蹤;雙模式完善精準個性化推薦[N];人民郵電;2014年

2 本報記者 李娟;百分點 給電商配備“導(dǎo)購員”[N];中國經(jīng)營報;2011年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 呂苗;基于情境的商品個性化推薦方法研究[D];大連理工大學(xué);2015年

2 易明;基于Web挖掘的電子商務(wù)個性化推薦機理與方法研究[D];華中科技大學(xué);2006年

3 邢星;社交網(wǎng)絡(luò)個性化推薦方法研究[D];大連海事大學(xué);2013年

4 張宜浩;基于半監(jiān)督學(xué)習(xí)的個性化推薦研究[D];重慶大學(xué);2014年

5 張富國;基于信任的電子商務(wù)個性化推薦關(guān)鍵問題研究[D];江西財經(jīng)大學(xué);2009年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 馮超;電子商務(wù)個性化推薦的用戶信息采納影響因素研究[D];華中師范大學(xué);2015年

2 尚剛;個性化推薦技術(shù)在圖書館服務(wù)中的應(yīng)用研究[D];南京財經(jīng)大學(xué);2015年

3 林舉;基于完全三部圖模型的個性化推薦技術(shù)研究[D];上海大學(xué);2015年

4 周瑩;基于證券理財產(chǎn)品用戶行為分析的個性化推薦研究[D];電子科技大學(xué);2014年

5 李祉瑩;基于語義的個性化推薦模型研究[D];北京郵電大學(xué);2015年

6 劉洋;數(shù)字學(xué)習(xí)資源個性化推薦技術(shù)研究與應(yīng)用[D];浙江工商大學(xué);2015年

7 陳玉兆;大數(shù)據(jù)下的個性化推薦研究與實現(xiàn)[D];西安電子科技大學(xué);2014年

8 盧云騁;播存環(huán)境中話題挖掘及其在個性化推薦中的應(yīng)用[D];東南大學(xué);2015年

9 劉佳;基于情景分析的網(wǎng)絡(luò)閱讀個性化推薦方法研究[D];東北大學(xué);2014年

10 吳蘭蘭;基于遺傳學(xué)方法的個性化推薦技術(shù)研究[D];沈陽航空工業(yè)學(xué)院;2010年

，

本文編號：539023