个性化推荐算法综述（历史学毕业论文）.docVIP

个性化推荐算法综述（历史学毕业论文） 文档信息 属性： F-0177HF，doc格式，正文4894字。质优实惠，欢迎下载！ 适用： 作为文章写作的参考文献，解决如何写好实用应用文、正确编写文案格式、内容摘取等相关工作。 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 搞要 1 关键字：个性化推荐系统 推荐算法 社交网络 2 1 概述 2 2 推荐系统概念和定义 3 3 推荐算法综述 3 4 总结 7 参考文献： 7 论文原创声明（模板） 9 论文致谢（模板） 9 正文 个性化推荐算法综述（历史学毕业论文） 搞要 摘要：本文就个性化推荐算法进行综述，以期为今后的研究提供借鉴 关键字：个性化推荐系统 推荐算法 社交网络 1 概述 随着互联网的发展，大量的信息系统、资源、门户网站的建设，使得人们在享受到便利的信息获取方式的同时，也对如何快速准确地获取自己需要的信息越来越关注，可以说谁能帮助用户快速地获取信息，谁就取得了成功的通行证。这一方面的典型例子就是百度搜索引擎的出现，百度公司从初创不足10人到5年内实现美国纳斯达克上市，就充分说明了这一点。 搜索引擎在解决信息过载问题方面发挥了非常重要的作用，并具有不可替代性，但是搜索引擎也存在一些固有的缺点，首先，它不具有个性化搜索功能，对于相关的关键词，每次的搜索结果都是相同的；其次，在商业购买行为上，搜索引擎并不能对用户提供有效的购买建议；最后，由于竞价排名的问题，搜索引擎查询出来的排名靠前的信息可能并不是自己需要的信息。 由于搜索引擎的这些缺点，个性化推荐系统应运而生。个性化推荐系统根据用户的历史浏览信息，对用户兴趣进行建模，将用户可能感兴趣而又未曾浏览过的产品、信息等推荐给用户。和搜索引擎相比，推荐系统一般不需要用户自主输入查询关键字，就能完成信息推荐，另一方面，对于不同的用户，推荐系统推荐的信息并不完全相同，总体上符合用户的个性化需求。 个性化推荐系统现在已广泛应用于很多领域，包括电子商务、电影和视频网站、个性化音乐电台、社交网络、个性化阅读等等。其中由于商业的获利需求，电子商务领域的个性化推荐发展迅速，目前国内的大多数电商平台都已具备基本的个性化推荐功能，比如京东商城、淘宝网等。同时业界对于如何提高个性化推荐的准确性研究热情一直很高。本文论述的重点就是对推荐系统的关键技术进行综述。 2 推荐系统概念和定义 目前对推荐系统的定义有很多，被广泛认可和采用的是Resnick和Varian在文献[1]中给出的推荐系统的概念性描述：“它是以电子商务网站为平台，为消费者提供商品的信息和建议，协助他们决定应该购买什么产品，模拟推销人员协助消费者完成购买过程”。由此可以推断出一个完整的推荐系统应该包括用户、物品和推荐方法三个要素。通用的推荐系统模型流程图如图1所示，推荐系统根据用户的隐含信息或显示信息，对用户进行建模，同时对物品信息进行建模，推荐系统根据不同的推荐算法对用户兴趣和物品特征进行匹配筛选，找到用户可能感兴趣的推荐物品，最后推荐给用户。 文献[2-3]对推荐系统的定义如下：设C是所有用户的集合，S是所有可以推荐给用户的对象的集合，设效应函数u（）可以计算对象s对用户c的推荐度和产品的可用性，即，R是一定范围内的全序非负实数，推荐要研究的问题就是找到推荐度R最大的哪些对象S*，如公式（1） ？坌c∈，S*=argmaxs∈S u（c，s）（1） 从上述概念和定义中可以看出，推荐系统关键是效用函数u的计算，即推荐算法的计算，下文将对流行的推荐算法进行描述。 3 推荐算法综述 推荐算法是整个推荐系统中最关键和核心的部分，在很大程度上决定了推荐系统的性能和推荐效果，目前很多学者对推荐系统的研究重点都在如何提高推荐效率和推荐效果方面，不同的推荐算法推荐效率不同，应用环境也不同，目前主流的推荐算法大致可以分为以下几种：协同过滤推荐和基于内容的推荐。下一节将讨论这几类算法，并对一些新的推荐算法给出描述。 协同过滤算法 协同过滤算法是研究最早并且应用最广的推荐算法之一，该算法的研究极大地推动了推荐系统的发展，在推荐算法体系中占有重要的研究地位，迄今为止仍有大量的论文对算法的性能进行研究。 该算法的基本思想借鉴了人们日常社交生活中购买商品的方法，如果自己的亲戚朋友购买了某件商品并且对该商品评价很好时，那么自己在很大程度上也会尝试购买该商品，协同过滤正是把该思想应用到了推荐系统中。该算法根据相似度比较对象的不同可以分为基于用户的推荐和基于物品的推荐。 基于用户的最近邻推荐 基于用户的协同推荐的基本思想是：首先，给定一个评分数据集和一个用户c，在评分数据集中找出与当前用户过去有相同偏好的用户ci，即最近邻计算，然后，对当前用户