|
|
基于一、二元复杂网络的查询扩展技术
摘 要
随着互联网的高速发展和普及应用，个性化推荐已成为互联网的一个重要研究领域。个性化推荐算法是互联网推荐系统中最核心的技术，在很大程度上决定了互联网推荐系统性能的优劣。协同过滤是应用最为广泛的一种个性化推荐技术。协同过滤主要分为基于用户的协同过滤和基于项目的协同过滤。
本文研究了基于一、二元复杂网络的查询扩展技术及其在互联网中的应用，设计开发了相应的互联网个性化推荐原型系统，并对该算法的推荐质量进行了深入的实验分析。本文也介绍了基于一、二元复杂网络的查询扩展技术的基本思想。在介绍互联网个性化推荐技术研究与应用现状的基础上，详细说明了基于一、二元复杂网络的查询扩展技术及其具体实现步骤，并分别采用不同的相似性计算方法和MAE评价方法进行了算法推荐质量的实验分析。采用ASP.NET平台实现了原型系统。
关键词：互联网 基于一、二元复杂网络的查询扩展技术 余弦相似性 相关相似性
Abstract
With the rapid development and popularization of Internet applications , personalized recommendation has become an important research field of the Internet. Personalized recommendation algorithm is an Internet recommendation system core technology , the Internet largely determine the merits of the recommendation system performance . ering is the most widely used technique for a personalized recommendation . ering is divided into user-based ering and item -based ering .
In this paper, based on a query expansion technique , the binary complex network and its application in the Internet , Internet design and development of the corresponding prototype personalized recommendation system , and the quality of the recommendation algorithm experiments conducted in-depth analysis . This paper also describes the basic idea of on . In introducing personalized recommendations research and application of technology based on the Internet , has been described in detail based on a query expansion technique , the binary complex network and its specific implementation steps , and using different similarity calculation method and evaluation method MAE experimental analysis algorithms recommended quality. ASP.NET platform using a prototype system .
Keywords : Internet -based query expansion technique a binary complex networks cosine similarity correlation similarity
目 录
第1章 绪论 1
1.1 课题研究背景及意义 1
1.2 国内外研究现状 2
1.2.1 国外互联网个性化推荐系统的现状 2
1.2.2国内互联网个性化推荐系统的现状 2
1.3 课题研究内容与论文框架 3
1.3.1 课题研究内容 3
1.3.2 论文框架 3
第2章 互联网个性化推荐技术 4
2.1 互联网推荐系统概述 4
2.2 基于一、二元复杂网络的查询扩展技术技术 4
第3章 基于一、二元复杂网络的查询扩展技术 6
3.1算法简介 6
3.2 算法步骤 6
3.2.1建立用户模型 6
3.2.2 寻找最近邻居 7
3.2.3 产生推荐项目 8
3.3 算法的实现 8
第4章 原型系统的设计与实现 17
4.1 功能结构设计 17
4.1.1 买家用户的功能设计 17
4.1.2 卖家销售商品管理 20
4.2 数据库设计 21
4.3 界面设计 24
第5章 算法推荐质量的实验分析 26
5.1 算法推荐质量的衡量方法 26
5.2 验证推荐方法采用的数据集 26
5.3 实验结果分析 27
5.3.1 余弦相似性 27
5.3.2 相似相关性 27
5.3.3 基于用户评分次数的相似相关性计算方法 27
5.3.4 三种算法的对比分析 28
第六章 总结与展望 29
6.1 总结 29
6.2 展望 29
参考文献 31
致谢 32
附录 33
