PAGEPAGE14開題報(bào)告姓名學(xué)號(hào)已修學(xué)分所屬學(xué)院信息科學(xué)與工程學(xué)院一級(jí)學(xué)科計(jì)算機(jī)科學(xué)與技術(shù)二級(jí)學(xué)科軟件工程指導(dǎo)教師開題時(shí)間研究方向大數(shù)據(jù)論文題目基于大數(shù)據(jù)的圖書推薦系統(tǒng)的研究一、文獻(xiàn)綜述1.1個(gè)性化推薦的主要方法個(gè)性化推薦的概念從提出到現(xiàn)在，已經(jīng)出現(xiàn)了多種個(gè)性化推薦方法。本章將對(duì)一些典型的個(gè)性化推薦技術(shù)作簡(jiǎn)要介紹，如基于內(nèi)容的推薦、協(xié)同過濾推薦、基于效用的推薦、基于知識(shí)的推薦、聯(lián)合推薦技術(shù)等。具體如下：1.1.1基于內(nèi)容的推薦該技術(shù)起源于信息檢索和信息過濾技術(shù)研究，其基本思想是“找到我過去喜歡的對(duì)象相似的對(duì)象[1]”（Maes，1994），即系統(tǒng)根據(jù)用戶曾經(jīng)喜歡的商品來預(yù)測(cè)該用戶對(duì)某一特定商品的喜好程度。對(duì)于這種喜歡程度的預(yù)測(cè)，主要有兩種方式：其一，商品內(nèi)容相似性的預(yù)測(cè)。與用戶曾經(jīng)喜歡的商品內(nèi)容信息相比，某一商品的相似性程度可以作為預(yù)測(cè)該用戶對(duì)該商品的喜好程度，這是較為傳統(tǒng)的搜索式推薦。其二，用戶偏好與商品特征相似性的預(yù)測(cè)。即通過建立用戶偏好模型，并向用戶推薦具備用戶偏好特征的商品，這種方法稱為基于模型的推薦[2]（Adomavicius，2007）?；谀Ｐ偷耐扑]系統(tǒng)有比較廣泛的研究和應(yīng)用，采用如聚類分析、貝葉斯網(wǎng)絡(luò)、關(guān)聯(lián)規(guī)則、神經(jīng)網(wǎng)絡(luò)等數(shù)學(xué)建模方法來生成用戶偏好模型，由此推測(cè)用戶對(duì)某商品的喜愛程度。其中較有代表性的如潘宇等（2008）采用用戶聚類分析方法構(gòu)建電商推薦系統(tǒng)[3]，Mooney（2000）采用貝葉斯網(wǎng)絡(luò)方法進(jìn)行圖書推薦[4]，李偉（2007）采用關(guān)聯(lián)規(guī)則構(gòu)建圖書個(gè)性化推薦系統(tǒng)[5]，Tan等（1998）采用自適應(yīng)神經(jīng)網(wǎng)絡(luò)方法構(gòu)建了新聞推薦系統(tǒng)[6]。該算法的主要優(yōu)點(diǎn)是：不受評(píng)分矩陣稀疏性的限制和影響。它根據(jù)用戶的興趣和商品特征的匹配程度來進(jìn)行推薦，所以系統(tǒng)只要獲得商品的特征矢量，就能根據(jù)用戶的興趣和商品特征的匹配程度來預(yù)測(cè)其對(duì)該商品的評(píng)分，在一定程度上解決了推薦冷啟動(dòng)問題。該算法具有較好的解釋能力，即推薦理由容易被用戶理解，所以它比較容易獲得用戶的信任[7]（劉建國(guó)等，2009）?；趦?nèi)容的推薦系統(tǒng)會(huì)采用某些特征詞及其權(quán)重來表達(dá)用戶興趣和商品特征，因此特征詞的選取和權(quán)重計(jì)算非常重要。一般來言，系統(tǒng)會(huì)采用信息檢索中的文本處理法，如信息熵[8]和TF-IDF[9]就是最常用的權(quán)重計(jì)算方法，它們都需要事先確定特征詞的數(shù)量。如Syskill&Webert（Pazzani，1997）利用信息熵大小來選取關(guān)鍵詞并將熵值作為權(quán)重，它們共同組成了網(wǎng)頁的特征矢量，然后采用貝葉斯分類器來預(yù)測(cè)用戶喜歡某文檔的可能性[10]。Fab（Balabanovietal，1997）采用TF-IDF方法來選取關(guān)鍵詞和確定權(quán)重，由此生成網(wǎng)頁的特征矢量，然后采用Rocchio算法預(yù)測(cè)用戶對(duì)某網(wǎng)頁感興趣的可能性[11]。此外，模型的即時(shí)更新也是該算法推薦結(jié)果達(dá)到預(yù)期效果的重要保證。該算法的主要缺點(diǎn)是：推薦對(duì)象的描述問題、推薦結(jié)果的過專業(yè)問題。基于內(nèi)容的推薦必須建立在內(nèi)容的準(zhǔn)確描述的基礎(chǔ)上，所以對(duì)于一些難以描述的推薦對(duì)象而言，該方法無法實(shí)現(xiàn)推薦。推薦過專業(yè)問題是指推薦結(jié)果準(zhǔn)確但卻過于相似產(chǎn)生無用性，相關(guān)學(xué)者嘗試對(duì)該算法進(jìn)行優(yōu)化和改進(jìn)。如劉建國(guó)等（2009）認(rèn)為可以在已有算法推薦結(jié)果中加入一定比例的隨機(jī)商品，或借助商品的關(guān)聯(lián)層次關(guān)系進(jìn)行商品推薦[7]。Billsus（2000）主張?jiān)O(shè)定一個(gè)閥值范圍，只推薦閾值范圍內(nèi)的商品，剔除了與用戶偏好過于不同和過于相似的商品[12]。Zhang等（2002）總結(jié)了五個(gè)信息冗余指標(biāo)，將滿足相關(guān)冗余指標(biāo)的商品過濾掉[13]。這些方法都在一定程度上減少了基于內(nèi)容的推薦技術(shù)的不足。1.1.2協(xié)同過濾推薦協(xié)同過濾推薦是指根據(jù)近鄰用戶對(duì)某商品的偏好程度來推斷目標(biāo)用戶對(duì)該商品偏好程度，如在現(xiàn)實(shí)生活中購物時(shí)聽取朋友的建議，它是最早被提出來的一種推薦方法[14]（Resnicketal.1994）。一般而言，該算法先根據(jù)用戶對(duì)商品的歷史評(píng)分的相似性來查找近鄰用戶，再進(jìn)行協(xié)同過濾。它有兩種方式：其一，基于內(nèi)容的協(xié)同過濾；即系統(tǒng)根據(jù)某一用戶對(duì)不同商品的評(píng)分來評(píng)價(jià)這些商品之間的相似性，然后根據(jù)商品相似性大小進(jìn)行推薦。其二，基于用戶的協(xié)同過濾；即通過不同用戶對(duì)同一商品的評(píng)分來評(píng)測(cè)用戶之間的相似性，相似性較大的用戶可判斷為近鄰用戶，然后將近鄰用戶感興趣的圖書推薦給目標(biāo)用戶，則實(shí)現(xiàn)了協(xié)同推薦。近鄰用戶的計(jì)算方法是影響協(xié)同過濾推薦效果的關(guān)鍵因素。Tapestry是最早出現(xiàn)的協(xié)同過濾推薦系統(tǒng)，它是由用戶通過人工方式指定自己的近鄰用戶[15]（Goldbergetal，1992）。后來隨著的信息技術(shù)的發(fā)展，逐漸推出了用于新聞服務(wù)推薦的GroupLens系統(tǒng)[16]（Konstanetal，1997）和用于音樂推薦服務(wù)的Ringo系統(tǒng)[17]（Shardanandetal，1995），它們采用計(jì)算機(jī)自動(dòng)計(jì)算能力來確定近鄰用戶，而非人工方式。計(jì)算方法是：根據(jù)用戶對(duì)商品的歷史評(píng)分，利用距離公式計(jì)算用戶與目標(biāo)用戶的距離，距離小的用戶會(huì)被認(rèn)為是目標(biāo)用戶的近鄰用戶。隨著數(shù)據(jù)量的不斷增大，算法的多次循環(huán)會(huì)使得計(jì)算速度很慢。為了提高算法效率，Yang（2006）主張通過興趣點(diǎn)來計(jì)算用戶之間的相似性，而興趣點(diǎn)可以由用戶行為信息計(jì)算所得[18]。Kim等（2010）認(rèn)為用戶在標(biāo)注相關(guān)資源時(shí)所用的標(biāo)簽?zāi)芎艽蟪潭却碛脩舻钠?，可通過這些標(biāo)簽的相似性來查找近鄰用戶[19]。Sen等（2009）也認(rèn)為用戶標(biāo)注偏好的相似性能作為用戶商品偏好的預(yù)測(cè)依據(jù)，從而進(jìn)行商品推薦[20]。而Chen等（2008）則主張對(duì)用戶偏好列表中的商品先后次序來加權(quán)計(jì)算用戶之間的相似性[21]。此外，對(duì)評(píng)分信息的處理和擴(kuò)展也是改善推薦的有效途徑之一。Breese（1998）把評(píng)分矩陣中未有評(píng)分的商品設(shè)定默認(rèn)值，利用聚類方法減少數(shù)據(jù)量，再利用逆用戶頻率和事例引申方法來優(yōu)化近鄰查找算法[22]。Mohammad等（2008）針對(duì)電影推薦方面構(gòu)建了混合用戶模型，優(yōu)化了傳統(tǒng)推薦算法的效率和準(zhǔn)確度[23]。系統(tǒng)計(jì)算目標(biāo)用戶對(duì)商品的預(yù)測(cè)評(píng)分是影響算法效果的另一關(guān)鍵因素。系統(tǒng)通常會(huì)將近鄰用戶對(duì)該商品的評(píng)分采用算術(shù)平均或根據(jù)與近鄰用戶距離大?。ㄟM(jìn)行歸一化）作為權(quán)重來加權(quán)計(jì)算預(yù)測(cè)評(píng)分。國(guó)內(nèi)外學(xué)者對(duì)評(píng)分預(yù)測(cè)方法進(jìn)行一定的研究，如余力等（2004）根據(jù)商品的性質(zhì)計(jì)算用戶與近鄰用戶的距離，將距離歸一化后作為權(quán)值來加權(quán)計(jì)算目標(biāo)用戶對(duì)商品的預(yù)測(cè)評(píng)分[24]。Hand（2001）利用貝葉斯算法來計(jì)算目標(biāo)用戶對(duì)商品的預(yù)測(cè)評(píng)分[25]。為了克服用戶打分量度不同的問題，F(xiàn)reund（2003）建議基于用戶的偏好排序而非預(yù)測(cè)評(píng)分來進(jìn)行商品推薦[26]。該算法的主要優(yōu)點(diǎn)包括：其一，能非常好地過濾難以進(jìn)行機(jī)器自動(dòng)處理的商品，如商品信息難以描述的藝術(shù)品、音樂等。其二，能基于一些復(fù)雜的、難以表達(dá)的概念進(jìn)行過濾，如信息質(zhì)量、品味。其三，能幫助用戶發(fā)現(xiàn)新的興趣點(diǎn)和商品，有效避免推薦過專業(yè)問題。其四，可避免要求用戶的過多交互，降低使用成本同時(shí)保護(hù)用戶隱私[27]（Hill，1995）。其五，適用于任何類型商品的推薦，甚至進(jìn)行多種不同類型商品的同時(shí)推薦[28]（Terveen，2001），因?yàn)閰f(xié)同過濾推薦中的用戶-商品評(píng)分矩陣的非常簡(jiǎn)單，系統(tǒng)不需要解決被推薦商品的描述性問題，所以該算法那在商業(yè)應(yīng)用上也取得了不錯(cuò)的效果，如Amazon、CDNow、MovieFinder等。協(xié)同過濾推薦方法的缺點(diǎn)包括：其一，如果從來沒有用戶對(duì)某一商品加以評(píng)分，則這個(gè)商品就不可能被推薦，即最初評(píng)價(jià)問題。其二，如果用戶-商品評(píng)分矩陣的數(shù)據(jù)非常稀疏，則計(jì)算所得的用戶間相似性可能不準(zhǔn)確。其三，隨著用戶和商品的增多，系統(tǒng)的性能會(huì)越來越低。因此目前的電商推薦系統(tǒng)都會(huì)采用了協(xié)同過濾推薦的改進(jìn)技術(shù)或與其他推薦技術(shù)相結(jié)合使用。1.1.3基于效用的推薦基于效用的推薦是建立在用戶使用項(xiàng)目的效用情況上的，根據(jù)用戶需求和商品可選集的匹配，系統(tǒng)會(huì)計(jì)算出待選商品對(duì)于用戶的預(yù)測(cè)效用，然后進(jìn)行推薦。該算法的核心問題是怎樣為每個(gè)用戶生成一個(gè)效用函數(shù)，效用函數(shù)決定待選商品的效用預(yù)測(cè)，決定了推薦的準(zhǔn)確度。關(guān)于效用的計(jì)算方法，吳兵等（2012）采用逼近于理想值的排序法（TOPSIS）作為衡量推薦對(duì)象效用的基本方法，同時(shí)為克服TOPSIS中靜態(tài)權(quán)重設(shè)置的不足，采用可變精度粗糙集的方法挖掘用戶對(duì)屬性的偏好[29]。Shiu-liHuang（2011）分別采用了分解和整體效用的方法，利用簡(jiǎn)單的多屬性評(píng)分技術(shù)開發(fā)行列（SMARTER）和徑向基函數(shù)網(wǎng)絡(luò)（RBFN）進(jìn)行實(shí)驗(yàn)，結(jié)果證實(shí)基于效用的推薦方法的性能依賴于推薦的上下文[30]。為了建立電子商務(wù)網(wǎng)站中每個(gè)用戶的效用函數(shù)，MingYi和WeihuaDeng（2009）主張首先通過領(lǐng)域?qū)＜覙?gòu)建了一個(gè)特定商品的普通用戶效用函數(shù)，然后將用戶的隱性反饋通過貝葉斯網(wǎng)絡(luò)方法表示用戶的效用函數(shù)[31]。該算法的主要優(yōu)點(diǎn)是：能把非產(chǎn)品的屬性，如產(chǎn)品的可得性和商家的可靠性等考慮到效用計(jì)算當(dāng)中。該算法的主要缺點(diǎn)包括：其一，系統(tǒng)必須輸入效用函數(shù)，而且效用函數(shù)是難以確定的；其二，方法是相對(duì)靜態(tài)，缺乏動(dòng)態(tài)和靈活性；其三，會(huì)有屬性重疊問題。目前基于效用的推薦系統(tǒng)的應(yīng)用情況并不多，其發(fā)展的速度和研究領(lǐng)域的人員都遠(yuǎn)不如前面介紹的基于內(nèi)容的推薦和協(xié)同過濾推薦技術(shù)。1.1.4基于知識(shí)的推薦基于知識(shí)的推薦是一種推理技術(shù)，因此不同的知識(shí)會(huì)產(chǎn)生不同的推薦效果。效用知識(shí)是關(guān)于某一個(gè)事務(wù)如何滿足特定的用戶的一種知識(shí)體系，所以它的推薦解釋能力較好。其中，用戶資料可以是支持推理的知識(shí)結(jié)構(gòu)，如用戶的詳細(xì)需求、設(shè)定的查詢條件等。劉平峰等（2007）提出基于知識(shí)的電子商務(wù)智能推薦，在統(tǒng)一的語義環(huán)境中獲取用戶和商品知識(shí)，通過功能知識(shí)推理和語義匹配進(jìn)行推薦，并且系統(tǒng)能根據(jù)具體環(huán)境不同而選擇不同的推薦策略，在必要的時(shí)候結(jié)合傳統(tǒng)推薦技術(shù)來向用戶做出推薦以獲得最佳推薦質(zhì)量[32]?；谥R(shí)的推薦系統(tǒng)有三種：其一，基于知識(shí)發(fā)現(xiàn)的推薦系統(tǒng)。為了挖掘有價(jià)值知識(shí)，系統(tǒng)會(huì)采用多種數(shù)據(jù)挖掘、知識(shí)發(fā)現(xiàn)的技術(shù)對(duì)數(shù)據(jù)進(jìn)行全面分析，如知識(shí)網(wǎng)格技術(shù)[33]，然后將這些知識(shí)應(yīng)用到推薦過程中。其中，劉平峰（2006）提出了基于知識(shí)網(wǎng)格的智能推薦系統(tǒng)[34]，由基于知識(shí)的電商智能推薦系統(tǒng)、知識(shí)網(wǎng)格、推薦知識(shí)網(wǎng)格服務(wù)社區(qū)這三級(jí)結(jié)構(gòu)組成。周子冠等（2010）采用知識(shí)網(wǎng)格技術(shù)進(jìn)行智能輸電網(wǎng)故障診斷方法的設(shè)計(jì)[35]。其二，基于知識(shí)推理的推薦系統(tǒng)。為了在用戶和待推薦對(duì)象之間建立起推理關(guān)系，系統(tǒng)會(huì)采用統(tǒng)一的知識(shí)表示方法，然后根據(jù)推理關(guān)系進(jìn)行推薦。其三，基于案例推理的推薦系統(tǒng)。系統(tǒng)會(huì)將用戶對(duì)推薦的歷史反饋信息記錄下來，分析用戶的采納情況，由此作為系統(tǒng)解決相似推薦問題的案例依據(jù)，從而提高推薦質(zhì)量。該算法的主要優(yōu)點(diǎn)在于它對(duì)客戶的要求較少，使得它很適用于客戶隨機(jī)瀏覽的情況。只要知識(shí)是合理的，那么系統(tǒng)提供的推薦就能使大多數(shù)用戶滿意。該算法的主要缺點(diǎn)包括：其一，知識(shí)難以獲取。系統(tǒng)需要大量信息作為系統(tǒng)的知識(shí)庫來源，包括用戶個(gè)人情況、商品的詳細(xì)描述、領(lǐng)域內(nèi)的知識(shí)等。這個(gè)問題一直是該技術(shù)發(fā)展的瓶頸之一。其二，知識(shí)難以進(jìn)行抽象表示。因?yàn)橄到y(tǒng)需要對(duì)知識(shí)進(jìn)行統(tǒng)一形式的抽象，所以與其他推薦系統(tǒng)相比，該算法基礎(chǔ)上的推薦系統(tǒng)的信息來源和表達(dá)方式都要復(fù)雜很多。其三，該技術(shù)的推薦是靜態(tài)的，使得其在有些場(chǎng)合不適用。其四，知識(shí)難以進(jìn)行規(guī)約聚合。系統(tǒng)知識(shí)庫一直處于動(dòng)態(tài)學(xué)習(xí)中，所以隨著時(shí)間的推移，知識(shí)庫會(huì)越來越龐大，如何實(shí)現(xiàn)它的有效管理非常重要，而目前基于知識(shí)的推薦系統(tǒng)缺乏這樣有效的管理方法。其五，還有很多其他待解決問題，如尚未定義系統(tǒng)和用戶交互的統(tǒng)一語義、難以向用戶解釋推薦理由、用戶的反饋信息不知如何加入系統(tǒng)的知識(shí)庫中等。1.1.5聯(lián)合推薦推薦系統(tǒng)在單獨(dú)使用前面四種推薦算法時(shí)，可能會(huì)遇到新產(chǎn)品、無評(píng)分等冷啟動(dòng)問題和推薦過專業(yè)問題。為了提高推薦的準(zhǔn)確度，學(xué)者們很早就開始嘗試按照一定的方法將這些推薦算法聯(lián)合起來使用，有策略聯(lián)合和策略組合這兩種方式。策略聯(lián)合是指將不同的推薦算法的計(jì)算方法進(jìn)行聯(lián)合，形成新的推薦算法。策略組合是指將多種推薦算法獨(dú)立使用后，將各自生產(chǎn)的推薦列表按照一定的策略進(jìn)行組合，生成新的推薦列表。聯(lián)合推薦方式能提高推薦系統(tǒng)的效率和性能。目前聯(lián)合推薦技術(shù)基本都是基于內(nèi)容的推薦和協(xié)同過濾推薦這兩種技術(shù)的結(jié)合，聯(lián)合推薦策略可以有七種常用組合：推薦值加權(quán)、推薦結(jié)果切換、推薦條目混合、不同推薦特征組合、推薦結(jié)果層疊、推薦結(jié)果特征擴(kuò)充以及Meta-Level聯(lián)合[36]（Burke，2002）。很多學(xué)者對(duì)聯(lián)合推薦技術(shù)進(jìn)行了研究，如Terveen（1997）提出通過記錄用戶對(duì)推薦結(jié)果的采納使用情況，如評(píng)分?jǐn)?shù)據(jù)、瀏覽記錄和保存情況，將這些數(shù)據(jù)加權(quán)計(jì)算，從而向目標(biāo)用戶推薦新聞內(nèi)容[37]。Balabanovi等（1997）利用用戶評(píng)價(jià)信息構(gòu)建用戶興趣模型，根據(jù)興趣來查找近鄰用戶從而進(jìn)行協(xié)同推薦[10]。Good等（1999）在最近鄰?fù)扑]算法的基礎(chǔ)上聯(lián)合使用基于特征向量的歸納學(xué)習(xí)分類算法進(jìn)行文章推薦，取得了更好的推薦結(jié)果[38]。Basu等（1998）利用歸納學(xué)習(xí)分類算法建立了一個(gè)聯(lián)合基于內(nèi)容的推薦和協(xié)同過濾推薦算法的系統(tǒng)[39]。Pazzani（1999）以餐廳推薦為例，對(duì)比分析了基于內(nèi)容的協(xié)同推薦和線性組合兩種不同聯(lián)合推薦方法的推薦結(jié)果[40]。數(shù)據(jù)挖掘與數(shù)學(xué)建模方法在聯(lián)合推薦系統(tǒng)中有很好的應(yīng)用前景，有很多學(xué)者對(duì)這方面有較為深入的研究。如胡新明（2012）從信息粒度和信息來源的角度研究了商品的屬性知識(shí)和用戶對(duì)商品屬性的偏好信息在推薦系統(tǒng)中的作用機(jī)理[41]。Billsus等（2000）認(rèn)為用戶的評(píng)分作用應(yīng)該遵從時(shí)間遞減規(guī)律，推薦時(shí)，首先根據(jù)K近鄰算法計(jì)算所得的用戶短期偏好特征形成推薦列表，然后根據(jù)樸素貝葉斯算法計(jì)算所得的長(zhǎng)期偏好特征進(jìn)行列表?xiàng)l目補(bǔ)充，在一定程度上解決了用戶興趣漂移問題[12]。余力等（2003）采用事件序列的方法挖掘用戶的興趣，然后對(duì)用戶進(jìn)行聚類，再進(jìn)行個(gè)性化推薦[42]。Mobasher等（2000）利用Web挖掘的方法對(duì)用戶的行為信息進(jìn)行聚類分析，然后提取每個(gè)用戶組的每個(gè)用戶的行為特征作為該用戶組的綜合模型，然后在用戶組內(nèi)進(jìn)行協(xié)同過濾推薦[43]。Aciar等（2007）將文本挖掘技術(shù)引入到商品推薦中，通過獲取用戶評(píng)論、評(píng)分和檢索時(shí)用戶設(shè)定的商品特征權(quán)重，綜合起來對(duì)用戶進(jìn)行商品推薦[44]。Han（2004）等采用關(guān)聯(lián)規(guī)則推薦，把用戶已表現(xiàn)出興趣的商品作為規(guī)則前項(xiàng)，把待推薦商品作為規(guī)則后項(xiàng)，經(jīng)過算法計(jì)算得出關(guān)聯(lián)規(guī)則，從而進(jìn)行商品推薦[45]。李峰等（2007）根據(jù)商品信息和用戶瀏覽記錄計(jì)算用戶的商品偏好特征，根據(jù)用戶購買記錄和評(píng)分信息來計(jì)算商品特征的相似性，然后通過計(jì)算商品特征組合推薦值來進(jìn)行個(gè)性化商品推薦[46]。二、選題背景及意義2.1選題背景

最近十幾年來，Internet在全球得到了爆炸式的增長(zhǎng)，為我們的生活帶來了極大的方便。Internet的出現(xiàn)不僅為我們提供了一個(gè)方便的工具，更重要的是它改變了我們的生活方式。我們可以在家里通過淘寶網(wǎng)買到比實(shí)體店性價(jià)比更高的商品，而且還可以享受送貨上門服務(wù)，可以說，網(wǎng)絡(luò)已經(jīng)成為了我們生活中不可或缺的部分，極大地提高了我們的生活質(zhì)量。特別是Web2.0技術(shù)的出現(xiàn)，實(shí)現(xiàn)了從“瘦客戶”到“胖客戶”的轉(zhuǎn)變，使得網(wǎng)絡(luò)用戶不再是一個(gè)服務(wù)使用者，也是一個(gè)服務(wù)提供者?？梢哉fWeb2.0使得網(wǎng)絡(luò)更加人性化，為用戶帶來了更好的用戶體驗(yàn)。而且由于用戶的參與，使得網(wǎng)絡(luò)能為我們帶來更加豐富的網(wǎng)絡(luò)信息資源，推動(dòng)了網(wǎng)絡(luò)的發(fā)展，將我們的生活推進(jìn)到了“大數(shù)據(jù)時(shí)代”。據(jù)報(bào)道截至2016年9月新浪微博的總注冊(cè)用戶達(dá)到8.72億,日活躍用戶為1.06億。截至2016年底，淘寶網(wǎng)擁有注冊(cè)會(huì)員近8億，日活躍用戶超1.528億，在線商品數(shù)量達(dá)到10億，在C2C市場(chǎng)，淘寶網(wǎng)占95.1%的市場(chǎng)份額……在“大數(shù)據(jù)時(shí)代”，只要有一臺(tái)能夠聯(lián)網(wǎng)的計(jì)算機(jī)，人們就可以在互聯(lián)網(wǎng)上獲取各式各樣的信息、可以在網(wǎng)上完成購物、可以翻閱大量圖書，而且還有數(shù)不清的資源供人們下載和使用，不僅如此，隨著大數(shù)據(jù)應(yīng)用的越來越廣泛，應(yīng)用的行業(yè)也越來越多，很多組織或者個(gè)人都會(huì)受到大數(shù)據(jù)的分析影響。比如，有一款計(jì)算每天走了多少步的應(yīng)用，可以幫助我們了解自己每天的運(yùn)動(dòng)是否達(dá)標(biāo)。正是由于信息量的迅速膨脹，帶來了另外一個(gè)問題：信息太多、太復(fù)雜，人們很難在短時(shí)間內(nèi)找到自己想要的資源，面對(duì)這些資源信息，人們往往顯得無所適從，辦法不多，這就是所謂的“信息過載”問題或者叫做“信息迷失”現(xiàn)象。這種情況下，面對(duì)如此眾多的商品和數(shù)據(jù)，用戶會(huì)混亂和迷茫，沒法快速找到符合自己興趣品味的內(nèi)容，基于這種情況，研究者們提出了個(gè)性化推薦。那么什么是個(gè)性化推薦呢？所謂個(gè)性化推薦是指通過利用一定的數(shù)據(jù)算法分析現(xiàn)有的資料，預(yù)測(cè)用戶未來的興趣，從而為用戶提供有針對(duì)性的推薦的一種高級(jí)商務(wù)智能平臺(tái)。個(gè)性化推薦帶來的效果是顯著的，它能夠縮短用戶的搜索時(shí)間、降低用戶搜索成本，帶來更好的用戶體驗(yàn)。目前已經(jīng)在電子商務(wù)、電子圖書館、影視網(wǎng)站、社交網(wǎng)站等各種站點(diǎn)廣泛地應(yīng)用。近幾年來，電子商務(wù)繁榮發(fā)展，阿里巴巴、淘寶用戶數(shù)量與日俱增，用戶通過電子商務(wù)購買物品的頻率越來越高、品種越來越多、金額也越來越大，據(jù)報(bào)道僅2016年一年，阿里巴巴的零售交易總額就突破3萬億，相當(dāng)于中國(guó)三個(gè)中等省份的年GDP總量。在這期間，個(gè)性化推薦起到了相當(dāng)重要的作用，各大電子商務(wù)網(wǎng)站都開發(fā)了自己的推薦系統(tǒng)，這些系統(tǒng)功能類似，但是在形式和算法上卻各有特色。推薦算法是推薦系統(tǒng)最核心、最重要的部分，隨著應(yīng)用的不斷推廣，涌現(xiàn)出了大量的優(yōu)秀推薦算法，比較主流的有：基于協(xié)同過濾的推薦、基于聚類的推薦、基于關(guān)聯(lián)規(guī)則的推薦、基于數(shù)據(jù)挖掘的推薦以及混合推薦等[47]。另外近年來隨著機(jī)器學(xué)習(xí)等的發(fā)展，還涌現(xiàn)出了很多基于模型的推薦算法，如：基于貝葉斯分類模型的算法、基于概率模型的算法、基于圖模型的算法等。研究推薦算法的發(fā)展歷程，我們不難發(fā)現(xiàn)，現(xiàn)在的推薦算法有向多維度發(fā)展的趨勢(shì)，一種新的推薦算法往往是綜合了多種技術(shù)和思想，并有可能引入了很多額外的因素，比如時(shí)間因素等。目前，應(yīng)用最成功的當(dāng)屬協(xié)同過濾推薦。協(xié)同過濾也稱為社會(huì)過濾，由于實(shí)現(xiàn)起來比較簡(jiǎn)單、占用資源少，推薦的內(nèi)容往往也具有新穎性。因而被廣泛地采用。雖然協(xié)同過濾在理論研究和應(yīng)用各個(gè)方面都取得了成功，而且使用越來越廣泛，但是由于數(shù)據(jù)缺乏帶來的冷啟動(dòng)、數(shù)據(jù)稀疏等問題仍然比較明顯地存在，當(dāng)然這些問題也不是無法解決，近年來，研究者們已經(jīng)提出了很多針對(duì)這些問題的新技術(shù)和新算法。本文將重點(diǎn)針對(duì)高校圖書館的個(gè)性化推薦展開研究，并對(duì)其中用到的協(xié)同過濾算法中存在的數(shù)據(jù)高稀疏、新用戶/新項(xiàng)目等缺陷，進(jìn)行了針對(duì)性的探討和改進(jìn)。鑒于此，本文將在研究傳統(tǒng)的個(gè)性化推薦、協(xié)同過濾以及圖書館個(gè)性化推薦系統(tǒng)的基礎(chǔ)上，提出一種改進(jìn)的混合推薦算法。算法改變了用戶相似度的計(jì)算方式，采用用戶的屬性相似度（例如年齡、專業(yè)等）和活躍相似度，并補(bǔ)充了基于聚類、基于內(nèi)容過濾和關(guān)聯(lián)規(guī)則的算法思想，改善了新項(xiàng)目和新用戶的推薦效果；最后，使用Python語言和MATLAB工具并結(jié)合高校圖書館的相關(guān)數(shù)據(jù)設(shè)計(jì)了多組仿真實(shí)驗(yàn)對(duì)算法效果進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果顯示，與傳統(tǒng)的協(xié)同過濾算法相比較，本文的算法在準(zhǔn)確度、召回率、流行度和新穎度等方面，有著更好的效果，并在一定程度上緩解了冷啟動(dòng)和數(shù)據(jù)稀疏等問題。2.2選題的目的與意義在當(dāng)今的大數(shù)據(jù)環(huán)境下，在推薦系統(tǒng)中結(jié)合大數(shù)據(jù)挖掘技術(shù)來提供圖書閱讀推薦是一個(gè)很具有前瞻性的研究方向。圖書閱讀推薦作為圖書館的一項(xiàng)重要服務(wù)，它能夠衡量一個(gè)圖書館的服務(wù)質(zhì)量和管理水平。而在大數(shù)據(jù)的時(shí)代背景下，圖書館的服務(wù)模式正在由傳統(tǒng)模式向數(shù)字化模式漸漸地轉(zhuǎn)變，同時(shí)伴隨著數(shù)字圖書館技術(shù)的突飛猛進(jìn)，讀者們的文獻(xiàn)信息需求也在日漸增長(zhǎng)，他們已經(jīng)無法滿足現(xiàn)有的服務(wù)模式所提供的成果。傳統(tǒng)的服務(wù)模式已經(jīng)無法準(zhǔn)確的向用戶提供具有針對(duì)性的、個(gè)性化的圖書和信息資源，無法真正實(shí)現(xiàn)為用戶提供個(gè)性化信息服務(wù)的目的。而借助大數(shù)據(jù)挖掘和分析的技術(shù)力量，其結(jié)果能夠?yàn)閳D書館員的實(shí)際服務(wù)工作提供一個(gè)有效的參考和依據(jù)，從而與時(shí)俱進(jìn)，更好的為讀者提供服務(wù)。筆者希望能夠借助這次研究，推廣大數(shù)據(jù)挖掘和個(gè)性化閱讀推薦的理念，將大數(shù)據(jù)挖掘技術(shù)通過結(jié)合圖書閱讀推薦的服務(wù)形式來實(shí)現(xiàn)個(gè)性化閱讀推薦的目的，從而提高圖書館個(gè)性化服務(wù)的質(zhì)量和水平，做到能為每一位讀者提供準(zhǔn)確的個(gè)性化服務(wù)。圖書閱讀推薦本身的意義在于大大節(jié)約了讀者檢索的時(shí)間，有助于讀者發(fā)掘新的興趣愛好，拓展知識(shí)面，從而閱讀更多的圖書，發(fā)揮了圖書館的重要性。圖書館擁有海量的圖書資源，但是由于大多數(shù)讀者都喜歡借閱時(shí)下熱門的、暢銷的圖書，造成了圖書借閱的兩極分化現(xiàn)象，熱門的圖書借閱率極高，冷門的圖書依舊無人借閱。只要方法得當(dāng)，圖書閱讀推薦能夠?qū)⒗溟T的圖書資源推薦給讀者，而將大數(shù)據(jù)挖掘技術(shù)利用到圖書閱讀推薦服務(wù)中后，能夠大大提高個(gè)性化推薦的精確度，有助于提高圖書館的服務(wù)能力。它能改善圖書館傳統(tǒng)的被動(dòng)服務(wù)方式，使之更符合大數(shù)據(jù)時(shí)代的發(fā)展趨勢(shì)，同時(shí)在人文意義上也體現(xiàn)了圖書館的“以讀者為本”的基本原則與服務(wù)理念[48]?，F(xiàn)在的讀者來圖書館不僅僅只是為了隨意找一本書來休閑消遣，讀者的需求正在改變，他們希望得到深層次的個(gè)性化服務(wù)，而圖書閱讀推薦，能夠大大地提升讀者在圖書館的主體地位。因此，研究大數(shù)據(jù)挖掘在圖書閱讀推薦中的應(yīng)用具有非常重要的指導(dǎo)意義。三、研究的主要內(nèi)容本文在了解了當(dāng)前大數(shù)據(jù)現(xiàn)狀和個(gè)性化推薦技術(shù)發(fā)展趨勢(shì)的基礎(chǔ)上，了解了多種個(gè)性化應(yīng)用系統(tǒng)，研究了多種個(gè)性化推薦算法的工作原理，并對(duì)這些應(yīng)用和算法的特點(diǎn)進(jìn)行了總結(jié)分析。結(jié)合各種系統(tǒng)和算法的優(yōu)點(diǎn)，綜合運(yùn)用了協(xié)同過濾、聚類等多種技術(shù)，改進(jìn)了傳統(tǒng)的協(xié)同過濾算法，緩解了冷啟動(dòng)、實(shí)時(shí)性等問題，并提高了數(shù)據(jù)推薦的準(zhǔn)確性和新穎度。首先，為了擺脫傳統(tǒng)協(xié)同過濾對(duì)于評(píng)分矩陣的依賴，結(jié)合高校圖書館的數(shù)據(jù)特點(diǎn)，本文提出了基于項(xiàng)目特征（如圖書的書名、作者、出版社等）和用戶屬性（如用戶的專業(yè)、身高、年齡、興趣、班級(jí)等）的協(xié)同過濾算法，并結(jié)合熱門推薦和基于內(nèi)容推薦的思想，成功地緩解了冷啟動(dòng)問題；其次，融合協(xié)同過濾算法思想改進(jìn)了聚類算法，解決了聚類算法中K值難以確定的問題，同時(shí)融合關(guān)聯(lián)規(guī)則的思想，提出建立匹配樹，提高推薦的準(zhǔn)確度，并避免出現(xiàn)過擬合現(xiàn)象。具體研究?jī)?nèi)容總結(jié)為如下三個(gè)方面：（1）基于對(duì)數(shù)據(jù)穩(wěn)定性的考慮，本文引入用戶屬性和項(xiàng)目特征作為計(jì)算相似性的依據(jù)，提出一種基于用戶屬性、項(xiàng)目特征的相關(guān)相似性計(jì)算方法，改進(jìn)了協(xié)同過濾算法，提高了推薦的準(zhǔn)確度和穩(wěn)定性。由于未采用傳統(tǒng)的評(píng)分矩陣計(jì)算，面對(duì)沒有評(píng)分信息的新用戶和新項(xiàng)目時(shí)，也能在一定程度上緩解冷啟動(dòng)和數(shù)據(jù)稀疏的問題；（2）提高了推薦的精度。事實(shí)上，在現(xiàn)在這種大數(shù)據(jù)背景下，冷啟動(dòng)雖是固有缺陷，但已不是推薦系統(tǒng)的主要問題，現(xiàn)在很多應(yīng)用中不是缺乏數(shù)據(jù)，而是信息過多，所以推薦的準(zhǔn)確度才是主要問題。為了提高推薦的準(zhǔn)確度，提高推薦的有效性，本文在傳統(tǒng)K-means聚類算法的基礎(chǔ)上提出了匹配樹的概念，從推薦集中再次篩選，提高推薦數(shù)據(jù)的準(zhǔn)確度。（3）提出改進(jìn)的協(xié)同過濾算法。綜合運(yùn)用了熱門推薦、聚類算法、協(xié)同過濾等多種思想，對(duì)圖書進(jìn)行聚類操作，并通過用戶屬性和項(xiàng)目特征計(jì)算評(píng)分，代替原有的用戶評(píng)分矩陣，克服了各種固有的缺陷，提高了推薦質(zhì)量。四、工作的重點(diǎn)與難點(diǎn)，擬采取的解決方案工作的重點(diǎn)與難點(diǎn)推薦系統(tǒng)的冷啟動(dòng)處理針對(duì)協(xié)同過濾推薦算法的改進(jìn)和改良采用的主要工具：MATLAB。五、論文工作量及進(jìn)度論文工作量及進(jìn)度安排：第一階段：2019.05-2019.07開始選題，在實(shí)踐中與指導(dǎo)老師商討，確定畢業(yè)論文題目及寫作方向。第二階段：2019.07-2017.07.17通過查詢資料并結(jié)合寫作方向，完成論文開題報(bào)告。第三階段：2019.07-2019.08完成論文初稿，期間在圖書館及網(wǎng)上查閱并參考了大量相關(guān)資料。同時(shí)完成論文初稿第一次修改。根據(jù)指導(dǎo)老師針對(duì)文章論點(diǎn)、論據(jù)的闡述以及論文邏輯性等方面問題提出的修改意見進(jìn)行修改。第四階段：2019.08-2019.09完成論文第二次修改。根據(jù)指導(dǎo)老師針對(duì)論文表述不清晰，論點(diǎn)闡述不夠深入等問題提出的修改意見進(jìn)行修改，不斷完善論文的過程中，準(zhǔn)備畢業(yè)答辯六、論文預(yù)期成果及創(chuàng)新點(diǎn)論文預(yù)期成果：1、通過對(duì)目前市面上常用的推薦算法進(jìn)行學(xué)習(xí)后，改良現(xiàn)有的推薦算法，加強(qiáng)其精確度；2、關(guān)于“基于大數(shù)據(jù)的圖書推薦系統(tǒng)的研究”的學(xué)位論文一篇?？赡艿膭?chuàng)新點(diǎn)：（1）改進(jìn)的用戶相似性計(jì)算方法眾所周知，一般情況下用戶相似性的計(jì)算都是以用戶評(píng)分矩陣為基礎(chǔ)的，不過由于用戶很少愿意參與評(píng)分，導(dǎo)致用戶評(píng)分矩陣往往數(shù)據(jù)偏少，加上網(wǎng)絡(luò)上的很多用戶數(shù)據(jù)是不真實(shí)的，反而會(huì)產(chǎn)生誤導(dǎo)，另外由于用戶的評(píng)分標(biāo)準(zhǔn)可能不一樣，有的人喜歡打高分，有的人則喜歡評(píng)低分，沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，因而，即使評(píng)分矩陣的數(shù)據(jù)足夠，在很多時(shí)候，計(jì)算的結(jié)果也可能不準(zhǔn)確。本文采用用戶屬性作為計(jì)算依據(jù)。用戶的屬性具有很強(qiáng)的穩(wěn)定性，所以計(jì)算出的數(shù)據(jù)往往相對(duì)穩(wěn)定，準(zhǔn)確性更高。（2）改進(jìn)的項(xiàng)目相似性計(jì)算方法與用戶相似性計(jì)算類似，傳統(tǒng)的項(xiàng)目相似性的計(jì)算也是根據(jù)用戶評(píng)分的，同樣也面臨著數(shù)據(jù)稀少和數(shù)據(jù)不準(zhǔn)的問題，為此我們也提出了基于項(xiàng)目特征的相似性計(jì)算方法，增強(qiáng)了計(jì)算出的數(shù)據(jù)的穩(wěn)定性和準(zhǔn)確性。七、完成論文擬閱讀的主要文獻(xiàn)[1]MaesP.AgentsThatReduceWorkandInformationOverload[J].CommunicationsoftheACM,1994,37(7):31-40.[2]Adomavicius,G.,KwonY.NewRecommendationTechniquesforMulti-criteriaRatingSystems[J],IEEEIntelligentSystems,2007,22(3):48-55.[3]潘宇,林鴻飛,楊志豪.基于用戶聚類的電子商務(wù)推薦系統(tǒng)[J].計(jì)算機(jī)應(yīng)用與軟件,2008(04).[4]MooneyR.J.,RoyL.Content-basedbookrecommendingusinglearningfortextcategorization[C].inProceedingsofthefifthACMconferenceonDigitallibraries,2000:195-204.[5]李偉.基于關(guān)聯(lián)規(guī)則B2C圖書銷售網(wǎng)站個(gè)性化推薦系統(tǒng)研究[D],對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué),2007.[6]TanA.H.,ChristineT.Learninguserprofilesforpersonalizedinformationdissemination[C].inProceedingsoftheIEEEIntenrationalJointConferenceonNeuralNetworks,1998:183-188.[7]劉建國(guó),周濤,汪秉宏.個(gè)性化推薦系統(tǒng)的研究進(jìn)展[J].自然科學(xué)進(jìn)展,2009,19(1):1-15.[8]信息熵./wiki/信息熵.[9]TF-IDF./wiki/TF-IDF.[10]PazzaniM.,BillsusD.Learningandrevisinguserprofiles:TheidentificationofinterestingWebsites[J].MachineLearning,1997,27(3):313-331.[11]BalabanoviM.,ShohamY.Fab:Content-based,collaborativerecommendation[J].CommunicationsoftheACM,1997,40(3):66-72.[12]BillsusD.,PazzzniM.J.UsermodellingforAdaptiveNewsAccess[J].UserModelingandUser-AdaptInteraction,2000,10(2-3),2000,147-180.[13]ZhangY.,CallanJ.,MinkaT.Noveltyandredundancydetectioninadaptivefiltering[C].inProceedingofthe25thAnnualInternationalACMSIGIRConference,Tampere,2002:81-88.[14]ResnickP.,IacovouN.,SuchakM.,etal.Grouplens:Anopenarchitectureforcollaborativefilteringofnetnews[C].inProceedingsofACMConferenceonComputer-SupportedCooperativeWork(CSCW'94),1994:175-186.[15]GoldbergD.,NicholsD.,OkiB.M.,etal.UsingCollaborativeFilteringtoWeaveanInformationTapestry[J].CommunicationsoftheACM,1992,35(12):51-60.[16]KonstanJ.A.,BradleyN.M.,MaltzD.,etc.Grouplens:ApplyingcollaborativefilteringtoUsenetNews[J].CommunicationoftheACM,1997,40(3):77-87.[17]ShardanandU.,MaesP.SocialInformationFiltering:AlgorithmsforAutomatingWordofMouth[C].inProceedingsoftheConferenceonHumanFactorsinComputingSystems,ACMPress,1995:210-217.[18]YangM.H.,GuZ.M.Personalizedrecommendationbasedonpartialsimilarityofinterests[C].inProceedingsofAdvancedDataMiningandApplications,2006:509-516.[19]KimH.L.,DeckerS.,BreslinJ.G.Representingandsharingfolksonomieswithsemantics[J].JournalofInformationScience,2010,36(1):57-72.[20]SenS.,VigJ.,RiedlJ.Tagommenders:connectinguserstoitemsthroughtags[C].inProceedingsofthe18thinternationalconferenceonWorldWideWeb,2009:671-680.[21]ChenY.L.,ChengL.C.,ChuangC.N.Agrouprecommendationsystemwithconsiderationofinteractionsamonggroupmembers[J].ExpertSystemswithApplications,2008,34(3):2082-2090.[22]BreeseJ.S.,HeckermanD.,KadieC.Empiricalanalysisofpredictivealgorithmsforcollaborativefiltering[C].inProceedingsofthe14thConferenceonUncertaintyinArtificialIntelligence,1998:43-52.[23]MohammadY.H.,KamalK.B.Fuzzy-geneticapproachtorecommendersystemsbasedonanovelhybridusermodel[J].ExpertSystemswithApplications,2008,35(3):1386-1399.[24]余力,劉魯.電子商務(wù)個(gè)性化推薦研究[J].計(jì)算機(jī)集成制作系統(tǒng),2004,10(10):1306-1313.[25]HandD.,SmythH.Principlesofdatamining[M].Cambridge:TheMITPress,2001.[26]FreundY.,IyerR.,SchapireR.E.,etal.Anefficientboostingalgorithmforcombiningpreferences[J].JournalofMachineLearningResearch,2003,4:933-969.[27]HillW.C.,SteadL.,RosensteinM.,etal.RecommendingandEvaluatingChoicesinaVirtualCommunityofUse[C].inProceedingsofACMCHI'95,DenverCO,ACMPress,1995:194-201.[28]TerveenL.,HillW.BeyondRecommenderSystems:HelpingPeopleHelpEachOther[C].inProceedingsoftheHumanComputerInteractionintheNewMillennium,2001:487-509.[29]吳兵,葉春明.基于效用的個(gè)性化推薦方法[J].計(jì)算機(jī)工程,2012(04).[30]Shiu-liHuang.Designingutility-basedrecommendersystemsfore-commerce:Evaluationofpreference-elicitationmethods[J].ElectronicCommerceResearchandApplications;1567-4223;2011;10(4):398-407.[31]MingYi,WeihuaDeng.AUtility-basedRecommendationApproachforE-CommerceWebsitesBasedonBayesianNetworks[J].BusinessIntelligenceandFinancialEngineering,2009.134:571-574.[32]劉平峰,聶規(guī)劃,陳冬林.基于知識(shí)的電子商務(wù)智能推薦系統(tǒng)平臺(tái)設(shè)計(jì)[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(19).[33]高彤,徐勇,李剛健.基于知識(shí)的網(wǎng)格技術(shù)應(yīng)用研究[J].吉林建筑工程學(xué)院學(xué)報(bào),2008(3).[34]劉平峰.基于知識(shí)網(wǎng)格的電子商務(wù)智能推薦理論方法研究[D].湖北省:武漢理工大學(xué),2006.[35]周子冠,白曉民,李再華等.采用知識(shí)網(wǎng)格技術(shù)的智能輸電網(wǎng)故障診斷方法[J].中國(guó)電機(jī)工程學(xué)報(bào),2010(4).[36]BurkeR.Hybridrecommendersystems:surveyandexperiments[J].UserModelUser-AdapInteract2002,12(4):331-70.[37]TerveenL.,HillW.,AmentoB.,McDonaldD.,CreterJ.PHOAKS:asystemforsharing