《個(gè)性化推薦算法研究開(kāi)題報(bào)告文獻(xiàn)綜述4500字》

論文題目基于用戶特征和協(xié)同過(guò)濾的個(gè)性化推薦算法研究論文類型：□研究類；□設(shè)計(jì)類；□技術(shù)類；□項(xiàng)目管理類；□調(diào)研/類；□軟件類；□其他課題來(lái)源：□縱向課題；□橫向課題；□自選課題；□其它一、開(kāi)題的科學(xué)依據(jù)在信息爆炸的新紀(jì)元，各種網(wǎng)絡(luò)產(chǎn)品已經(jīng)成為我們生活、學(xué)習(xí)等方方面面不可分割的一部分?；ヂ?lián)網(wǎng)的高速發(fā)展在給予我們方便快捷的同時(shí)，也帶來(lái)了大量復(fù)雜、冗余的數(shù)據(jù)信息。同樣在大量信息同質(zhì)化的時(shí)代，許多深刻、優(yōu)質(zhì)的信息卻又被“冷落”，得不到很好的利用。尤其是在高度講究個(gè)性化、新穎化的現(xiàn)代社會(huì)，人們對(duì)信息多樣性的需求仍不能得到充分滿足，個(gè)體之間信息的差異性仍得不到體現(xiàn)。由此，對(duì)各類信息數(shù)據(jù)過(guò)濾技術(shù)的探索，也逐漸成為現(xiàn)今工業(yè)屆、學(xué)術(shù)屆爭(zhēng)相研究的熱點(diǎn)問(wèn)題。隨著現(xiàn)今互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，也應(yīng)運(yùn)出各式各樣的信息過(guò)濾工具。而如何讓這些新興的智能推薦技術(shù)更加有效的加入我們的未來(lái)社會(huì)，提供更具多樣性、新穎性等個(gè)性化的優(yōu)質(zhì)信息，將成為未來(lái)人們關(guān)注的核心。推薦系統(tǒng)（RecommendationSystem,RS）這一概念最初出現(xiàn)在美國(guó)大學(xué)的一份技術(shù)報(bào)告中，隨著推薦系統(tǒng)中經(jīng)典的協(xié)同過(guò)濾（CollaborativeFiltering,CF）模型的提出，第一個(gè)具有現(xiàn)代化概念的推薦系統(tǒng)是GroupLens系統(tǒng)的出現(xiàn)，從此研究者們開(kāi)始專注于推薦系統(tǒng)的模型研究?，F(xiàn)今的推薦技術(shù)最核心的問(wèn)題在于為用戶提供具有預(yù)期性的推薦信息，如果能有效的控制好系統(tǒng)的預(yù)測(cè)與推薦部分，便能突破現(xiàn)有推薦系統(tǒng)發(fā)展的瓶頸。但面對(duì)如今動(dòng)輒每秒百萬(wàn)兆規(guī)模的數(shù)據(jù)量時(shí)，人工處理的方式已經(jīng)變得不切實(shí)際了。此外，除了常規(guī)存在的冷啟動(dòng)問(wèn)題，即難以獲取新用戶的有效信息并對(duì)其喜好進(jìn)行預(yù)測(cè)。還存在傳統(tǒng)單一的推薦方式很難再輕易滿足現(xiàn)今消費(fèi)者對(duì)信息多樣與新穎性的需求，要求系統(tǒng)具備更高的信息挖掘能力。而用戶特征的產(chǎn)生原因是為了準(zhǔn)確、高效地分析用戶的偏好信息，將其與協(xié)同過(guò)濾相結(jié)合可能會(huì)改善這一問(wèn)題。用戶特征即：用戶信息標(biāo)簽化?；趨f(xié)同過(guò)濾的推薦系統(tǒng)融入用戶特征后，就能夠在評(píng)分?jǐn)?shù)據(jù)的基礎(chǔ)上使用關(guān)于用戶偏好的附加信息來(lái)進(jìn)行推薦。在線的電影CTR預(yù)估作為推薦系統(tǒng)排序的一個(gè)特殊模塊，其本質(zhì)也是一個(gè)二分類問(wèn)題。消費(fèi)者在日常使用中遇到的感興趣的電影信息一般會(huì)產(chǎn)生點(diǎn)擊行為。在電影CTR預(yù)估系統(tǒng)中，其主要任務(wù)向用戶顯示其感興趣并可能產(chǎn)生點(diǎn)擊行為的商品信息。CTR預(yù)估也一直獲得人們不斷關(guān)注，一方面因?yàn)樵诰€廣告的發(fā)展由來(lái)已久。另一方面在于定點(diǎn)電影的精準(zhǔn)投放帶來(lái)的巨大的商業(yè)收益，這種高昂的利潤(rùn)回報(bào)又會(huì)形成馬太效應(yīng)，吸引更多的投資力量，同時(shí)在為用戶推薦其感興趣的物品時(shí)，提升了用戶的個(gè)人體驗(yàn)與滿意度。多項(xiàng)研究表明隨著CTR預(yù)估性能的提升與在線商業(yè)平臺(tái)收入的提高存在正相關(guān)性，即離線CTR預(yù)估性能的小幅提升往往帶來(lái)產(chǎn)品收入的顯著增加，同時(shí)提高了消費(fèi)者的使用滿意度。因此，對(duì)CTR預(yù)估系統(tǒng)的探索具有重大的商業(yè)價(jià)值與實(shí)用意義。這也引出本文更進(jìn)一步去探索二者如何相互高效結(jié)合的問(wèn)題，即本文對(duì)推薦系統(tǒng)領(lǐng)域用戶特征構(gòu)建進(jìn)行研究，將其融合到基于協(xié)同過(guò)濾的推薦系統(tǒng)中。綜上所述，推薦系統(tǒng)主要以預(yù)測(cè)和推薦為核心構(gòu)建信息系統(tǒng)，通過(guò)不斷的優(yōu)化與解決該過(guò)程中出現(xiàn)的問(wèn)題來(lái)達(dá)到滿足目標(biāo)用戶不同需求的目的；通過(guò)不斷的對(duì)系統(tǒng)進(jìn)行升級(jí)來(lái)確保最終得到的預(yù)測(cè)結(jié)果具有更優(yōu)的可解釋性、可理解性。因此具有極強(qiáng)的信息篩選能力與預(yù)測(cè)能力，不僅帶來(lái)巨大的商業(yè)經(jīng)濟(jì)價(jià)值，同時(shí)提升了用戶的使用體驗(yàn)，對(duì)推薦系統(tǒng)的深入研究也就變得充滿意義。附主要參考文獻(xiàn)：[1]劉夢(mèng)娟,曾貴川,岳威,等.面向展示廣告的點(diǎn)擊率預(yù)測(cè)模型綜述[J].計(jì)算機(jī)科學(xué),2019,46(7):38-49.[2]BottouL.Large-scalem沈方瑤,戴國(guó)駿,代成雷,郭鴻杰,張樺.基于特征關(guān)聯(lián)模型的廣告點(diǎn)擊率預(yù)測(cè)[J].清華大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,58(04):374-379.[3]肖垚,畢軍芳,韓易,董啟文.在線廣告中點(diǎn)擊率預(yù)測(cè)研究[J].華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2017(05):80-86+100.[4]趙榮霞.基于用戶畫(huà)像的WordPress博文推薦研究[D].北京交通大學(xué)，碩士研究生學(xué)位論文，2018.[5]侯雷.基于矩陣完備性的電影推薦系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].華中科技大學(xué),2020.[6]李田甜.基于個(gè)性化標(biāo)簽協(xié)同過(guò)濾算法的圖書(shū)推薦系統(tǒng)研究與實(shí)現(xiàn)[D].山東科技大學(xué),2019.[7]劉珊.基于LBS模式的“21世紀(jì)海上絲綢之路”跨境電商推薦系統(tǒng)研究[J].電信技術(shù),2018,(11):17-20.[8]范洪博,楊笑鋒,張晶.融合用戶背景和用戶人格的話題推薦方法[J].計(jì)算機(jī)應(yīng)用與軟件,2018,35(07):309-312+333.[9]甄卓然.基于知識(shí)圖譜的養(yǎng)老服務(wù)需求感知系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].哈爾濱工業(yè)大學(xué),2018.[10]吳軍.基于協(xié)同過(guò)濾的個(gè)性化旅游推薦系統(tǒng)的研究與實(shí)現(xiàn)[D].北京交通大學(xué),2017.[11]黃裕洋，金遠(yuǎn)平.一種綜合用戶和項(xiàng)目因素的協(xié)同過(guò)濾推薦算法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版，2010，40(5):917-921.[12]孫金剛，艾麗蓉.基于項(xiàng)目屬性和云填充的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用，2012，32(3)：658-660.[13]楊陽(yáng)，向陽(yáng)，熊磊.基于矩陣分解與用戶近鄰模型的協(xié)同過(guò)濾推薦算法[J].計(jì)算機(jī)應(yīng)用，2012，32(2):395-398.[14]王憲朋.基于視頻大數(shù)據(jù)的用戶畫(huà)像構(gòu)建[J].電視技術(shù),2017,41(06):20-23[15]牛溫佳.用戶網(wǎng)絡(luò)行為畫(huà)像:大數(shù)據(jù)中的用戶網(wǎng)絡(luò)行為畫(huà)像分析與內(nèi)容推薦應(yīng)用[M].電子工業(yè)出版社,2016[16]FawcettT,ProvostFJ.Combiningdataminingandmachinelearningforeffectiveuserprofiling.[C].KDD.S.1.,1996.[17]MeguebliY,KacimiM,DoanB,etal.BuildingRichUserProfilesforPersonalizedNewsRecommendation[C].UMAPWorkshops.2014.[18]LYao,ZXu,BLev.SynergiesBetweenAssociationRulesandCollaborativeFilteringinRecommenderSystem:AnApplicationtoAutoIndustry[M].DataScienceandDigitalBusiness,2019:65–80.[19]WangX,HeX,CaoY,etal.Kgat:Knowledgegraphattentionnetworkforrecommendation[C]//Proceedingsofthe25thACMSIGKDDInternationalConferenceonKnowledgeDiscovery&DataMining.2019:950-958.[20]WangS,HuL,WangY,etal.GraphLearningApproachestoRecommenderSystems:AReview[J].arXivpreprintarXiv:2004.11718,2020.[21]YangX,GuoY,LiuY,etal.Asurveyofcollaborativefilteringbasedsocialrecommendersystems[J].Computercommunications,2014,41:1-10.[22]ChangYW,HsiehCJ,ChangKW,etal.Trainingandtestinglow-degreepolynomialdatamappingsvialinearSVM[J].JournalofMachineLearningResearch,2010,11(4).[23]RendleS.Factorizationmachines[C]//2010IEEEInternationalConferenceonDataMining.IEEE,2010:995-1000.[24]JuanY,ZhuangY,ChinWS,etal.Field-awarefactorizationmachinesforCTRprediction[C]//Proceedingsofthe10thACMconferenceonrecommendersystems.2016:43-50.[25]PanJ,XuJ,RuizAL,etal.Field-weightedfactorizationmachinesforclick-throughratepredictionindisplayadvertising[C]//Proceedingsofthe2018WorldWideWebConference.2018:1349-1357.[26]ChengHT,KocL,HarmsenJ,etal.Wide&deeplearningforrecommendersystems[C]//Proceedingsofthe1stworkshopondeeplearningforrecommendersystems.2016:7-10.[27]HuangT,ZhangZ,ZhangJ.FiBiNET:combiningfeatureimportanceandbilinearfeatureinteractionforclick-throughrateprediction[C]//Proceedingsofthe13thACMConferenceonRecommenderSystems.2019:169-177.二、研究?jī)?nèi)容、目標(biāo)以及擬解決的關(guān)鍵問(wèn)題1、研究的主要內(nèi)容、目標(biāo)以及擬解決的關(guān)鍵問(wèn)題主要內(nèi)容：本文融入消費(fèi)者的固有特征屬性并精細(xì)化刻畫(huà)用戶間的興趣偏好等信息，提出基于消費(fèi)者偏好相似度的混合推薦模型UPCF，確保推薦系統(tǒng)召回階段數(shù)據(jù)處理快速性的同時(shí)，一定程度上提升系統(tǒng)的準(zhǔn)確性、緩解冷啟動(dòng)問(wèn)題。最后，利用本文設(shè)計(jì)的混合推薦算法，設(shè)計(jì)并實(shí)現(xiàn)個(gè)性化推薦系統(tǒng)，最終，基于Python、JavaScript、CSS、HTML5等計(jì)算機(jī)語(yǔ)言，利用了Django框架、Pycharm集成開(kāi)發(fā)環(huán)境和MySQL數(shù)據(jù)庫(kù)等開(kāi)發(fā)技術(shù)與工具，對(duì)系統(tǒng)的前端用戶界面和后端的點(diǎn)擊率預(yù)估推薦模型算法進(jìn)行實(shí)現(xiàn)。目標(biāo)：本文針對(duì)現(xiàn)有的推薦系統(tǒng)在召回與排序階段存在的問(wèn)題提出針對(duì)性改進(jìn)，以達(dá)到提升系統(tǒng)整體推薦效果的目的。關(guān)鍵問(wèn)題：充分利用用戶的統(tǒng)計(jì)信息與用戶的行為信息，構(gòu)造出關(guān)于偏好的用戶畫(huà)像。對(duì)年齡分段、對(duì)工作分類，根據(jù)實(shí)驗(yàn)確定出恰當(dāng)?shù)哪挲g分段數(shù)與工作種類數(shù)。對(duì)用戶信息都進(jìn)行了量化后，將得到的標(biāo)簽進(jìn)行統(tǒng)一，構(gòu)建出用戶畫(huà)像。用戶畫(huà)像構(gòu)建完成后，得到了量化的用戶信息，就可以方便的將這些附加信息運(yùn)用到基于協(xié)同過(guò)濾的推薦中去。本文研究重點(diǎn)就是構(gòu)建用戶畫(huà)像后，如何與協(xié)同過(guò)濾相結(jié)合，形成一種推薦效果良好的推薦系統(tǒng)。2、擬采取的方案及可行性分析本文從選題研究的背景和現(xiàn)狀出發(fā)，總結(jié)課題研究的目的和意義，進(jìn)行系統(tǒng)的需求分析、可行性分析、架構(gòu)規(guī)劃、UML建模等分析與設(shè)計(jì)工作。在此基礎(chǔ)上，進(jìn)行系統(tǒng)的全面設(shè)計(jì)工作，包括系統(tǒng)的功能模塊、數(shù)據(jù)庫(kù)與算法的設(shè)計(jì)。本文對(duì)用戶特征的構(gòu)建進(jìn)行研究，提出了一種通過(guò)用戶統(tǒng)計(jì)信息與用戶行為信息來(lái)構(gòu)造關(guān)于興趣、偏好的用戶特征方法。這些信息易獲取、可擴(kuò)展性較強(qiáng)，并且成本也較小。3、創(chuàng)新之處和預(yù)期成果在傳統(tǒng)的協(xié)同過(guò)濾推薦系統(tǒng)中引入用戶特征，通過(guò)用戶特征來(lái)緩解冷處理的問(wèn)題，提高推薦質(zhì)量與個(gè)性化程度，結(jié)合系統(tǒng)的分析與實(shí)際，提出了一個(gè)基于點(diǎn)擊率預(yù)估的電影推薦模型。將電影的推薦分為電影的“召回”和“排序”兩個(gè)階段，設(shè)計(jì)出了一套完整的系統(tǒng)推薦流程。二、研究?jī)?nèi)容1、研究的主要內(nèi)容（簡(jiǎn)述研究的主要內(nèi)容；列出論文結(jié)構(gòu)框架至三級(jí)標(biāo)題。）第一章緒論1.1研究工作的背景與意義 1.2國(guó)內(nèi)外發(fā)展歷史與現(xiàn)狀1.2.1推薦系統(tǒng)的召回階段 1.2.2推薦系統(tǒng)的排序階段1.2.3用戶特征研究現(xiàn)狀1.3研究?jī)?nèi)容與方法 第二章推薦系統(tǒng)相關(guān)理論2.1推薦系統(tǒng)的基本原理概述2.2用戶特征相關(guān)理論2.3個(gè)性化推薦相關(guān)技術(shù)2.4協(xié)同過(guò)濾算法的相關(guān)理論第三章基于用戶特征和協(xié)同過(guò)濾的個(gè)性化推薦算法 3.1相關(guān)概述 3.2用戶信息度量模型 3.2.1用戶信息標(biāo)簽化3.2.2構(gòu)建用戶畫(huà)像3.3混合推薦算法設(shè)計(jì)第四章個(gè)性化推薦算法實(shí)驗(yàn)設(shè)計(jì)4.1用戶畫(huà)像的生成4.2推薦算法評(píng)價(jià)指標(biāo)4.3實(shí)驗(yàn)設(shè)計(jì)4.4實(shí)驗(yàn)結(jié)果與分析4.4.1相似度算法對(duì)模型的影響4.4.2用戶特征對(duì)模型的影響4.4.3系統(tǒng)的冷啟動(dòng)第五章個(gè)性化推薦算法應(yīng)用設(shè)計(jì)及實(shí)現(xiàn)5.1需求分析5.1.1系統(tǒng)總體框架5.1.2系統(tǒng)各部分模塊功能介紹5.1.3用戶角色分析5.2基于UML的系統(tǒng)建模5.3系統(tǒng)功能模塊設(shè)計(jì)5.4數(shù)據(jù)庫(kù)設(shè)計(jì)5.5系統(tǒng)實(shí)現(xiàn)5.5.1用戶注冊(cè)登錄功能模塊的實(shí)現(xiàn) 5.5.2個(gè)性化推薦功能模塊的實(shí)現(xiàn)5.5.3分類篩選功能模塊的實(shí)現(xiàn)5.6系統(tǒng)測(cè)試 第六章結(jié)論與展望2、創(chuàng)新之處和預(yù)期成果一是通過(guò)改進(jìn)計(jì)算相似度的矩陣以及相似度的計(jì)算方法，來(lái)緩解此問(wèn)題對(duì)推薦算法的影響，從而提高協(xié)同過(guò)濾推薦的準(zhǔn)確性。同時(shí)通過(guò)額外使用的用戶信息，解決新用戶冷啟動(dòng)問(wèn)題。二是在基于用戶的協(xié)同過(guò)濾中引入了用戶畫(huà)像的概念，并根據(jù)基于奇異性的相似度量模型提出一種給用戶特征的用戶信息度量模型。三、研究基礎(chǔ)與工作條件1、本課題相關(guān)的研究工作基礎(chǔ)和前期取得的研究成果基于對(duì)現(xiàn)有推薦技術(shù)相關(guān)理論的分析與研究，本文在推薦系統(tǒng)的召回階段，提出了一種改進(jìn)的混合模型。即融入消費(fèi)者與商品固有的顯性特征屬性，精細(xì)化計(jì)算消費(fèi)者偏好相似度、商品的偏好相似度等信息，并通過(guò)簡(jiǎn)單的實(shí)驗(yàn)加以驗(yàn)證。本文通過(guò)對(duì)推薦技術(shù)中不同階段出現(xiàn)的問(wèn)題進(jìn)行了分析與探討，做出了針對(duì)行的改進(jìn)與創(chuàng)新。在推薦系統(tǒng)召回階段提出融入消費(fèi)者與商品固有特征信息的混合模型來(lái)提升系統(tǒng)的準(zhǔn)確性、緩解冷啟動(dòng)問(wèn)題。2、已具備的試驗(yàn)條件，尚缺少的試驗(yàn)條件和擬解決的途徑。本文前期的主要工作是對(duì)推薦系統(tǒng)及相關(guān)技術(shù)在國(guó)內(nèi)外的發(fā)展歷史與研究現(xiàn)狀進(jìn)行分析學(xué)習(xí)，嘗試基于用戶特征和協(xié)同過(guò)濾用于推薦系統(tǒng)的召回階段，希望能夠達(dá)到初步篩選的作用，保證達(dá)到推薦召回階段對(duì)數(shù)據(jù)快速提取的要求。試驗(yàn)及運(yùn)用階段，由于不同的應(yīng)用環(huán)境可能會(huì)對(duì)算法的準(zhǔn)確性帶來(lái)一定的影響，但本文僅通過(guò)在電影這一領(lǐng)域進(jìn)行了實(shí)驗(yàn)探討。