基于情景分析的网络阅读个性化推荐方法研究

发布时间：2017-07-14 01:01

  本文关键词：基于情景分析的网络阅读个性化推荐方法研究

  更多相关文章： 个性化推荐 情景推理 贝叶斯网络 协同过滤

【摘要】：在经济社会与网络迅猛发展的今天,产品与服务的多样性往往让用户迷失在选择的洪流中,而核心数据喷发式的增长也使得人们为了得到自己想要的信息,需要付出更多的时间成本。虽然搜索引擎等主动服务模式为人们获取资源,提供了筛选途径,但大众化普适服务无法满足人们日益增长的个性化需求,无法真正在特定时间与地点等环境中为潜在用户提供满意并且合适的服务。因此,为适应人们的个性化需求,同时降低用户的搜寻成本,推荐系统走进了大众的生活,并为工作学习带来了便利。个性化推荐也成为了推荐服务的研究趋势之一。本文在对国内外相关推荐技术的理论框架、算法实现与技术发展的研究基础上,以人因工程研究领域中用户体验、决策理论与方法研究中相关知识为切入点,综合考虑人的便利性、满意度等主观因素,引入情景分析理论对个性化推荐方法进行改进。首先,在网络阅读领域应用贝叶斯网络方法对影响用户偏好的信息进行情景推理,构建子模型；其次,通过相关系数法确定情景信息、用户基本信息和历史行为信息之间的权重系数,基于用户-情景-项目之间的关系构建用户偏好模型；再次,对传统的用户相似性计算方法进行改进,并实现个性化的推荐；最后,通过算例分析与实验对比的方法,验证基于情景分析的个性化推荐的有效性与推荐质量的改善。应用情景理论研究个性化推荐的方法,与传统的协同过滤算法相比,在推荐准确性上有很大的改进,说明了当前情景不同会对用户在系统应用中的选择决策有不同程度的影响。基于情景的个性化推荐,综合分析系统性能、用户心理与环境因素,实现人机交互的一体化,对于网站等服务提供商改进用户体验,增加点击率与增强用户粘性具有深远的意义与研究价值。
【关键词】：个性化推荐 情景推理 贝叶斯网络 协同过滤
【学位授予单位】：东北大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.3
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-16
• 1.1 研究背景11-12
• 1.2 研究意义12-13
• 1.3 研究内容13
• 1.4 研究思路与研究方法13-14
• 1.5 论文结构14-16
• 第2章 相关研究文献综述16-28
• 2.1 文献检索情况概述16-19
• 2.1.1 文献检索范围分析16
• 2.1.2 相关文献情况分析16-17
• 2.1.3 学术研究趋势分析17-19
• 2.2 个性化推荐的研究概况19-24
• 2.2.1 国外研究综述20-21
• 2.2.2 国内研究综述21-24
• 2.3 关于情景的研究24-26
• 2.3.1 国外研究综述24-25
• 2.3.2 国内研究综述25-26
• 2.4 已有研究的贡献与不足26-27
• 2.4.1 主要贡献26
• 2.4.2 不足之处26-27
• 2.5 已有研究成果对本文的启示27
• 2.6 本章小结27-28
• 第3章 相关理论和方法28-35
• 3.1 个性化推荐的基本概念28-30
• 3.1.1 个性化推荐的定义28-29
• 3.1.2 个性化推荐的模式29-30
• 3.2 个性化推荐的主要算法30-31
• 3.2.1 基于内容的推荐30
• 3.2.2 协同过滤推荐30
• 3.2.3 关联规则推荐30
• 3.2.4 基于网络结构的推荐30-31
• 3.2.5 混合推荐31
• 3.3 情景的相关概念31-34
• 3.3.1 情景描述31-32
• 3.3.2 情景信息的分类与获取途径32-33
• 3.3.3 情景推理方法33-34
• 3.4 本章小结34-35
• 第4章 基于贝叶斯网络情景推理的用户偏好子模型构建35-54
• 4.1 问题描述35-43
• 4.1.1 问题背景35-36
• 4.1.2 情景的选择与分析36-38
• 4.1.3 基本假设与符号说明38-39
• 4.1.4 条件概率的数据收集39-43
• 4.2 情景信息的用户偏好推理子模型43-47
• 4.2.1 分析阶段43
• 4.2.2 更新阶段43-47
• 4.2.3 用户偏好的向量表示47
• 4.3 用户基本特征与历史行为的用户偏好推理子模型47-53
• 4.3.1 分析阶段47-48
• 4.3.2 更新阶段48-52
• 4.3.3 用户偏好的向量表示52-53
• 4.4 本章小结53-54
• 第5章 基于用户偏好模型的个性化推荐方法设计54-65
• 5.1 用户偏好模型构建54-58
• 5.1.1 权重系数计算的一般方法54-55
• 5.1.2 权重系数的计算55-58
• 5.1.3 用户偏好模型的表示58
• 5.2 基于用户偏好模型的相似性算法58-61
• 5.2.1 个性化推荐过程分析58-59
• 5.2.2 相似性计算方法的选择59-60
• 5.2.3 改进的用户相似性计算60-61
• 5.3 用户的评分预测61-62
• 5.4 算法步骤62-64
• 5.5 本章小结64-65
• 第6章 无觅网个性化推荐算例与实验分析65-78
• 6.1 网站背景65-66
• 6.2 实验设计66-67
• 6.3 数据处理67-74
• 6.4 结果分析74-77
• 6.5 本章小结77-78
• 第7章 结论与展望78-80
• 7.1 结论78
• 7.2 展望78-80
• 参考文献80-85
• 致谢85-86
• 作者简介86-87
• 附录87-89

【相似文献】

中国期刊全文数据库 前10条

1 朱世清;;个性化推荐技术在学科服务中的应用研究[J];农业图书情报学刊;2012年10期

2 李颖;方兴;;旅游微博个性化推荐技术和推荐效果研究[J];硅谷;2013年23期

3 冀俊忠,刘椿年;基于多级客户模型的个性化推荐机制[J];小型微型计算机系统;2005年09期

4 胡慕海;蔡淑琴;张宇;;面向个性化推荐的情境化用户偏好研究[J];情报杂志;2010年10期

5 武慧娟;周兰萍;辛跃;;基于知识图谱的国内外个性化推荐比较研究[J];东北电力大学学报;2012年05期

6 徐月美;姜薇;王溢策;;移动设备的个性化推荐在上下文感知应用[J];微计算机信息;2009年21期

7 夏秀峰;吴兰兰;;一种基于商品基因的个性化推荐模型[J];辽宁大学学报(自然科学版);2009年04期

8 刘蓓琳;;基于用户满意度的电子商务个性化推荐评价研究[J];中国物流与采购;2012年14期

9 孙鸿飞;武慧娟;李晟光;;基于知识图谱的个性化推荐研究热点与前沿分析[J];情报科学;2012年12期

10 吴昊;;基于数据挖掘的个性化推荐[J];河南师范大学学报(自然科学版);2013年03期

中国重要会议论文全文数据库 前4条

1 冯时;阳峰;王大玲;于戈;;基于虚拟观点社群的用户个性化推荐[A];第六届全国信息检索学术会议论文集[C];2010年

2 刘晋;王潜平;房坤;;基于agent技术和反馈机制的个性化推荐方法研究与设计[A];第二届和谐人机环境联合学术会议(HHME2006)——第2届中国人机交互学术会议(CHCI'06)论文集[C];2006年

3 王鑫;黄忠义;;网络资源中基于K-Means聚类的个性化推荐[A];2013年全国通信软件学术会议论文集[C];2013年

4 曹雷;杜辉锋;;基于Web挖掘的个性化推荐模型的研究[A];全国第十届企业信息化与工业工程学术年会论文集[C];2006年

中国重要报纸全文数据库 前2条

1 云踪;双模式完善精准个性化推荐[N];人民邮电;2014年

2 本报记者 李娟;百分点 给电商配备“导购员”[N];中国经营报;2011年

中国博士学位论文全文数据库 前5条

1 吕苗;基于情境的商品个性化推荐方法研究[D];大连理工大学;2015年

2 易明;基于Web挖掘的电子商务个性化推荐机理与方法研究[D];华中科技大学;2006年

3 邢星;社交网络个性化推荐方法研究[D];大连海事大学;2013年

4 张宜浩;基于半监督学习的个性化推荐研究[D];重庆大学;2014年

5 张富国;基于信任的电子商务个性化推荐关键问题研究[D];江西财经大学;2009年

中国硕士学位论文全文数据库 前10条

1 冯超;电子商务个性化推荐的用户信息采纳影响因素研究[D];华中师范大学;2015年

2 尚刚;个性化推荐技术在图书馆服务中的应用研究[D];南京财经大学;2015年

3 林举;基于完全三部图模型的个性化推荐技术研究[D];上海大学;2015年

4 周莹;基于证券理财产品用户行为分析的个性化推荐研究[D];电子科技大学;2014年

5 李祉莹;基于语义的个性化推荐模型研究[D];北京邮电大学;2015年

6 刘洋;数字学习资源个性化推荐技术研究与应用[D];浙江工商大学;2015年

7 陈玉兆;大数据下的个性化推荐研究与实现[D];西安电子科技大学;2014年

8 卢云骋;播存环境中话题挖掘及其在个性化推荐中的应用[D];东南大学;2015年

9 刘佳;基于情景分析的网络阅读个性化推荐方法研究[D];东北大学;2014年

10 吴兰兰;基于遗传学方法的个性化推荐技术研究[D];沈阳航空工业学院;2010年

，

本文编号：539023