《个性化推荐算法研究开题报告文献综述4500字》

论文题目基于用户特征和协同过滤的个性化推荐算法研究论文类型：□研究类；□设计类；□技术类；□项目管理类；□调研/类；□软件类；□其他课题来源：□纵向课题；□横向课题；□自选课题；□其它一、开题的科学依据在信息爆炸的新纪元，各种网络产品已经成为我们生活、学习等方方面面不可分割的一部分。互联网的高速发展在给予我们方便快捷的同时，也带来了大量复杂、冗余的数据信息。同样在大量信息同质化的时代，许多深刻、优质的信息却又被“冷落”，得不到很好的利用。尤其是在高度讲究个性化、新颖化的现代社会，人们对信息多样性的需求仍不能得到充分满足，个体之间信息的差异性仍得不到体现。由此，对各类信息数据过滤技术的探索，也逐渐成为现今工业届、学术届争相研究的热点问题。随着现今互联网技术的飞速发展，也应运出各式各样的信息过滤工具。而如何让这些新兴的智能推荐技术更加有效的加入我们的未来社会，提供更具多样性、新颖性等个性化的优质信息，将成为未来人们关注的核心。推荐系统（RecommendationSystem,RS）这一概念最初出现在美国大学的一份技术报告中，随着推荐系统中经典的协同过滤（CollaborativeFiltering,CF）模型的提出，第一个具有现代化概念的推荐系统是GroupLens系统的出现，从此研究者们开始专注于推荐系统的模型研究。现今的推荐技术最核心的问题在于为用户提供具有预期性的推荐信息，如果能有效的控制好系统的预测与推荐部分，便能突破现有推荐系统发展的瓶颈。但面对如今动辄每秒百万兆规模的数据量时，人工处理的方式已经变得不切实际了。此外，除了常规存在的冷启动问题，即难以获取新用户的有效信息并对其喜好进行预测。还存在传统单一的推荐方式很难再轻易满足现今消费者对信息多样与新颖性的需求，要求系统具备更高的信息挖掘能力。而用户特征的产生原因是为了准确、高效地分析用户的偏好信息，将其与协同过滤相结合可能会改善这一问题。用户特征即：用户信息标签化。基于协同过滤的推荐系统融入用户特征后，就能够在评分数据的基础上使用关于用户偏好的附加信息来进行推荐。在线的电影CTR预估作为推荐系统排序的一个特殊模块，其本质也是一个二分类问题。消费者在日常使用中遇到的感兴趣的电影信息一般会产生点击行为。在电影CTR预估系统中，其主要任务向用户显示其感兴趣并可能产生点击行为的商品信息。CTR预估也一直获得人们不断关注，一方面因为在线广告的发展由来已久。另一方面在于定点电影的精准投放带来的巨大的商业收益，这种高昂的利润回报又会形成马太效应，吸引更多的投资力量，同时在为用户推荐其感兴趣的物品时，提升了用户的个人体验与满意度。多项研究表明随着CTR预估性能的提升与在线商业平台收入的提高存在正相关性，即离线CTR预估性能的小幅提升往往带来产品收入的显著增加，同时提高了消费者的使用满意度。因此，对CTR预估系统的探索具有重大的商业价值与实用意义。这也引出本文更进一步去探索二者如何相互高效结合的问题，即本文对推荐系统领域用户特征构建进行研究，将其融合到基于协同过滤的推荐系统中。综上所述，推荐系统主要以预测和推荐为核心构建信息系统，通过不断的优化与解决该过程中出现的问题来达到满足目标用户不同需求的目的；通过不断的对系统进行升级来确保最终得到的预测结果具有更优的可解释性、可理解性。因此具有极强的信息筛选能力与预测能力，不仅带来巨大的商业经济价值，同时提升了用户的使用体验，对推荐系统的深入研究也就变得充满意义。附主要参考文献：[1]刘梦娟,曾贵川,岳威,等.面向展示广告的点击率预测模型综述[J].计算机科学,2019,46(7):38-49.[2]BottouL.Large-scalem沈方瑶,戴国骏,代成雷,郭鸿杰,张桦.基于特征关联模型的广告点击率预测[J].清华大学学报(自然科学版),2018,58(04):374-379.[3]肖垚,毕军芳,韩易,董启文.在线广告中点击率预测研究[J].华东师范大学学报(自然科学版),2017(05):80-86+100.[4]赵荣霞.基于用户画像的WordPress博文推荐研究[D].北京交通大学，硕士研究生学位论文，2018.[5]侯雷.基于矩阵完备性的电影推荐系统设计与实现[D].华中科技大学,2020.[6]李田甜.基于个性化标签协同过滤算法的图书推荐系统研究与实现[D].山东科技大学,2019.[7]刘珊.基于LBS模式的“21世纪海上丝绸之路”跨境电商推荐系统研究[J].电信技术,2018,(11):17-20.[8]范洪博,杨笑锋,张晶.融合用户背景和用户人格的话题推荐方法[J].计算机应用与软件,2018,35(07):309-312+333.[9]甄卓然.基于知识图谱的养老服务需求感知系统设计与实现[D].哈尔滨工业大学,2018.[10]吴军.基于协同过滤的个性化旅游推荐系统的研究与实现[D].北京交通大学,2017.[11]黄裕洋，金远平.一种综合用户和项目因素的协同过滤推荐算法[J].东南大学学报：自然科学版，2010，40(5):917-921.[12]孙金刚，艾丽蓉.基于项目属性和云填充的协同过滤推荐算法[J].计算机应用，2012，32(3)：658-660.[13]杨阳，向阳，熊磊.基于矩阵分解与用户近邻模型的协同过滤推荐算法[J].计算机应用，2012，32(2):395-398.[14]王宪朋.基于视频大数据的用户画像构建[J].电视技术,2017,41(06):20-23[15]牛温佳.用户网络行为画像:大数据中的用户网络行为画像分析与内容推荐应用[M].电子工业出版社,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、研究内容、目标以及拟解决的关键问题1、研究的主要内容、目标以及拟解决的关键问题主要内容：本文融入消费者的固有特征属性并精细化刻画用户间的兴趣偏好等信息，提出基于消费者偏好相似度的混合推荐模型UPCF，确保推荐系统召回阶段数据处理快速性的同时，一定程度上提升系统的准确性、缓解冷启动问题。最后，利用本文设计的混合推荐算法，设计并实现个性化推荐系统，最终，基于Python、JavaScript、CSS、HTML5等计算机语言，利用了Django框架、Pycharm集成开发环境和MySQL数据库等开发技术与工具，对系统的前端用户界面和后端的点击率预估推荐模型算法进行实现。目标：本文针对现有的推荐系统在召回与排序阶段存在的问题提出针对性改进，以达到提升系统整体推荐效果的目的。关键问题：充分利用用户的统计信息与用户的行为信息，构造出关于偏好的用户画像。对年龄分段、对工作分类，根据实验确定出恰当的年龄分段数与工作种类数。对用户信息都进行了量化后，将得到的标签进行统一，构建出用户画像。用户画像构建完成后，得到了量化的用户信息，就可以方便的将这些附加信息运用到基于协同过滤的推荐中去。本文研究重点就是构建用户画像后，如何与协同过滤相结合，形成一种推荐效果良好的推荐系统。2、拟采取的方案及可行性分析本文从选题研究的背景和现状出发，总结课题研究的目的和意义，进行系统的需求分析、可行性分析、架构规划、UML建模等分析与设计工作。在此基础上，进行系统的全面设计工作，包括系统的功能模块、数据库与算法的设计。本文对用户特征的构建进行研究，提出了一种通过用户统计信息与用户行为信息来构造关于兴趣、偏好的用户特征方法。这些信息易获取、可扩展性较强，并且成本也较小。3、创新之处和预期成果在传统的协同过滤推荐系统中引入用户特征，通过用户特征来缓解冷处理的问题，提高推荐质量与个性化程度，结合系统的分析与实际，提出了一个基于点击率预估的电影推荐模型。将电影的推荐分为电影的“召回”和“排序”两个阶段，设计出了一套完整的系统推荐流程。二、研究内容1、研究的主要内容（简述研究的主要内容；列出论文结构框架至三级标题。）第一章绪论1.1研究工作的背景与意义 1.2国内外发展历史与现状1.2.1推荐系统的召回阶段 1.2.2推荐系统的排序阶段1.2.3用户特征研究现状1.3研究内容与方法 第二章推荐系统相关理论2.1推荐系统的基本原理概述2.2用户特征相关理论2.3个性化推荐相关技术2.4协同过滤算法的相关理论第三章基于用户特征和协同过滤的个性化推荐算法 3.1相关概述 3.2用户信息度量模型 3.2.1用户信息标签化3.2.2构建用户画像3.3混合推荐算法设计第四章个性化推荐算法实验设计4.1用户画像的生成4.2推荐算法评价指标4.3实验设计4.4实验结果与分析4.4.1相似度算法对模型的影响4.4.2用户特征对模型的影响4.4.3系统的冷启动第五章个性化推荐算法应用设计及实现5.1需求分析5.1.1系统总体框架5.1.2系统各部分模块功能介绍5.1.3用户角色分析5.2基于UML的系统建模5.3系统功能模块设计5.4数据库设计5.5系统实现5.5.1用户注册登录功能模块的实现 5.5.2个性化推荐功能模块的实现5.5.3分类筛选功能模块的实现5.6系统测试 第六章结论与展望2、创新之处和预期成果一是通过改进计算相似度的矩阵以及相似度的计算方法，来缓解此问题对推荐算法的影响，从而提高协同过滤推荐的准确性。同时通过额外使用的用户信息，解决新用户冷启动问题。二是在基于用户的协同过滤中引入了用户画像的概念，并根据基于奇异性的相似度量模型提出一种给用户特征的用户信息度量模型。三、研究基础与工作条件1、本课题相关的研究工作基础和前期取得的研究成果基于对现有推荐技术相关理论的分析与研究，本文在推荐系统的召回阶段，提出了一种改进的混合模型。即融入消费者与商品固有的显性特征属性，精细化计算消费者偏好相似度、商品的偏好相似度等信息，并通过简单的实验加以验证。本文通过对推荐技术中不同阶段出现的问题进行了分析与探讨，做出了针对行的改进与创新。在推荐系统召回阶段提出融入消费者与商品固有特征信息的混合模型来提升系统的准确性、缓解冷启动问题。2、已具备的试验条件，尚缺少的试验条件和拟解决的途径。本文前期的主要工作是对推荐系统及相关技术在国内外的发展历史与研究现状进行分析学习，尝试基于用户特征和协同过滤用于推荐系统的召回阶段，希望能够达到初步筛选的作用，保证达到推荐召回阶段对数据快速提取的要求。试验及运用阶段，由于不同的应用环境可能会对算法的准确性带来一定的影响，但本文仅通过在电影这一领域进行了实验探讨。