推荐引擎论文_许鼎

导读:本文包含了推荐引擎论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:引擎,矩阵,域名,模型,分词,上下文,个人信息。

推荐引擎论文文献综述

许鼎^[1]（2018）在《电商网站的搜索与推荐引擎的设计与实现》一文中研究指出随着互联网和电子商务的发展,电商网站在为用户提供越来越多选择的同时,也让用户很难在海量的商品中快速的发现自己喜欢的商品。如何让用户快速的找到自己想要的商品,如何发现用户潜在的需求,对于电子商务网站是至关重的。因此,搜索和推荐引擎在电子商务系统中有着非常广阔的发展和应用前景。但是随着电商网站规模的不断扩大,电商网站也面临一系列挑战。针对电子商务网站面临的主要挑战,本文主要对电子商务网站中的搜索和推荐算法设计和系统架构等关键技术进行探索和研究。本文详细分析和研究了当前商品匹配中存在的问题和挑战,以及相应的解决方案,并详细介绍了搜索和推荐引擎的设计,实现了高并发的分布式搜索与推荐引擎。搜索引擎主要包括查询词预测,索引,排序,模型四大模块;索引部分包括增量索引,实时索引和全量索引叁种方式,排序模块包括精排,粗排和重排叁大部分;在搜索匹配方面考虑了买家和卖家的历史数据,查询条件信息,以及商品的信息,根据这些数据训练逻辑回归模型,提升匹配精度;在推荐方面,通过对协同过滤推荐算法和基于内容匹配算法的分析以及效果对比,发现基于内容的推荐算法商品转化率高于协同过滤算法,后对基于内容的推荐算法通过增加类目权重的方式,提高了推荐的转化率,实现了系统功能结构图设计,详细设计、数据库设计和类图的关系设计。经过系统测试,本文设计的搜索与推荐引擎方案在搜索与推荐的准确率方面取得不错的效果,满足用户的功能要求和性能要求。(本文来源于《哈尔滨工业大学》期刊2018-06-01）

李媛媛^[2]（2018）在《Mahout音乐推荐引擎关键技术研究》一文中研究指出在互联网迅速发展的今天,手机音乐APP和在线音乐平台的普及给用户带来了极大方便的同时也导致了信息量的不断增长。用户如何找到自己喜欢的音乐或音乐平台如何将用户感兴趣的音乐推送给用户便成了一大难题。因此,研究者提出了将推荐系统应用到音乐平台中,并针对不同的用户,快速准确的找到符合用户品味的音乐,甚至挖掘出用户潜在的音乐爱好。在音乐推荐系统的研究中,最早的是基于内容的推荐,对音乐特征进行标签化,但不同的人对同一首歌曲有不同的理解,标签化有着一定的主观色彩。为了解决这一问题,本文提出将基于协同过滤的混合式推荐算法模型应用到音乐推荐引擎中,并通过Hadoop,Mahout和Map Reduce实现分布式推荐模型。本文的主要研究工作如下:(1)针对协同过滤推荐技术是否适用于音乐推荐的问题,本文提出将经典的协同过滤推荐模型应用到标准音乐数据集上。在协同过滤推荐模型中,用户或者项目之间相似度技术是其核心部分,利用标准音乐数据集,对不同的相似度度量方法进行测试评估,找出适合音乐推荐的算法模型。(2)针对在单节点上提高推荐的准确率和召回率问题以及规避单一推荐模型在音乐推荐引擎中出现的问题,本文提出基于协同过滤的混合推荐模型,通过不同的混合规则,对单一推荐的结果集进行处理,最后进行推荐。实验结果表明,混合推荐模型与经典单一推荐模型相比,Precise提高了80%;同时采用线上线下分离,线下进行数据集的分析和计算,线上进行推荐的技术,提高了推荐速度。(3)针对如何将推荐引擎运行在Hadoop分布式平台上的问题,本文提出了基于共现矩阵的分布式推荐模型。该模型通过Map Reduce和Mahout实现共现矩阵模型并行化。实验结果表明,在Map Reduce编程过程中,对音乐推荐数据集这种特殊的数据集进行稀疏性处理,节省运算所消耗的空间和时间。分布式推荐模型的实现,提高了推荐引擎的准确性和实时性。分布式推荐相比单一推荐的Precise平均提高了95.16%,Recall提高了119.86%,F-measure值稳定到10%,推荐速度提高了两倍。(本文来源于《兰州理工大学》期刊2018-05-31）

朱桂祥,曹杰^[3]（2018）在《基于主题序列模式的旅游产品推荐引擎》一文中研究指出旅游产品推荐是当前推荐系统研究领域中的新兴议题之一.由于旅游产品描述信息维度多样复杂、"用户-产品"关联矩阵极为稀疏且冷启动问题突出,已经在电子商务领域获得成功的协同过滤推荐往往难以直接被应用于旅游产品推荐.提出基于主题序列模式的旅游产品推荐引擎SECT,试图通过在线旅游网站点击日志的挖掘产生推荐.首先,从页面语义描述文本中挖掘主题,以在泛化层面捕捉用户行为模式;其次,从页面访问时间序列数据中挖掘频繁序列模式及其候选产品集,形成序列模式库;最后,提出Markov n-gram模型,完成用户实时点击流与模式库匹配计算.为了提升在线匹配计算的效率,设计一种新的多叉树数据结构PSC-tree用于存储历史模式库,并与在线计算模块无缝衔接.在真实旅游数据集上的实验结果表明:该推荐引擎比传统推荐算法具有更优越的性能,而且能有效提升冷启动用户的推荐率和准确率.此外,针对长尾物品的推荐,SECT也优于基准算法.(本文来源于《计算机研究与发展》期刊2018年05期）

秦易难^[4]（2017）在《推荐引擎原理及发展综述》一文中研究指出互联网中信息"爆炸式"地增长导致了信息过载问题的出现。推荐引擎有效地解决了这一问题,成为当今计算机领域的一大研究热点。本文详细阐述了推荐引擎。首先,介绍了推荐引擎的基本原理和关键技术;在此基础上,提出推荐引擎研究中所面临的问题和挑战;最后做出总结,并展望推荐引擎的发展方向。(本文来源于《电子制作》期刊2017年20期）

桂林^[5]（2017）在《明确推荐引擎网络服务商法律责任》一文中研究指出伴随信息技术、Web2.0以及移动互联网的迅猛发展，人类已经进入一个信息过载的时代。为提升信息消费者获取“目的信息”的效率，搜索引擎技术应运而生。如果说搜索引擎中，信息的生产与消费之间的主动权更多地在消费者一方，那么，在推荐引擎中，信息的生产者则是主动出(本文来源于《检察日报》期刊2017-09-18）

臧其事,赵运顶,吴晓峰^[6]（2017）在《基于社会化推荐引擎的个人客户精准营销应用研究》一文中研究指出为了顺应大数据时代背景下个人客户精准营销的要求,本文认为,由于客户在持有某一类产品上表现出极度的数据不平衡,以有监督分类为代表的模式不适应于银行客户的精准营销,因此,本文引入了社会化推荐引擎的思路,试图找出一种合适的产品精准营销模式,并进行实证检验,以提升营销效率,降低营销成本。经过2017年上海分行大数据精准营销的验证,证明了这一方法的现实可行性。(本文来源于《中国国际财经(中英文)》期刊2017年17期）

姚云锋^[7]（2017）在《个性化电影推荐引擎的研究与实现》一文中研究指出随着互联网技术的不断进步和发展,方便了用户获取数据信息,但随之而来的是信息超载问题。与搜索引擎相比,个性化推荐技术能够主动为用户在海量数据信息中找到其真正所感兴趣的信息,更为有效地缓解了信息超载问题。为了使用户能够摆脱海量电影数据的限制,本文提出了一种基于概率矩阵分解模型的协同过滤推荐改进算法,利用改进算法设计并实现了一个基于B/S模式的MVC叁层框架的个性化电影推荐引擎。论文的主要工作如下:第一,推荐算法是个性化推荐引擎中最为核心的部分,本文介绍并讨论了叁类个性化推荐算法,分别为基于内容过滤、协同过滤和混合过滤推荐算法,并对各类算法的优缺点进行对比。但这些算法在应用过程中存在着稀疏性、冷启动、扩展性差和多样性差等问题。而热门排行推荐算法的提出有效缓解了冷启动问题。其次,本文通过统计学的方法,提取具有显着不同的上下文特征,降低了数据的维度和稀疏性,然后利用修正余弦相似度计算上下文相互关系,并将该关系融入到概率矩阵分解推荐算法中,得到改进算法。接着利用改进算法在叁种不同类型数据集上进行试验,实验结果表明基于上下文感知推荐的改进算法有效提高了推荐的精度。最后,本文对系统进行了功能性和非功能性需求分析,设计了基于B/S模式的MVC叁层框架的个性化电影推荐引擎架构,提升了开发效率。同时设计了数据库表及核心模块组件,包括离线计算模块、在线推荐模块、电影信息管理模块和用户信息模块。利用改进的推荐算法和Python Web中的Django框架技术,实现了上述功能模块。系统最终能够做到定时线下训练概率矩阵分解推荐模型,线上实时为用户提供个性化电影推荐服务。(本文来源于《中国计量大学》期刊2017-06-01）

张颖^[8]（2017）在《多因素融合的域名推荐引擎研究》一文中研究指出随着互联网的飞速发展和广泛应用,域名作为互联网中必不可少的基础内容,在个人网站和企业品牌推广中也更加重要。一方面简单易记且含义较好的域名可以作为一种收藏,另一方面同企业品牌一致的域名与品牌的商业价值相辅相成。由于域名的唯一性以及好域名的稀缺性,构造好域名受到了人们更多的关注。本文通过对Alexa Top100万域名的分析研究,构建了域名字典并建立了域名评价模型,然后在域名字典和域名评价模型的基础上实现多因素融合的域名推荐。同时为了丰富域名字典,给用户推荐更多元化的域名,本文从微博挖掘新词和热词并添加到域名字典中供推荐使用。首先,研究新词和热词的发现方法。利用基于统计的方法实现了从微博中挖掘新词,采用牛顿冷却和贝叶斯平均相结合的方法实现从微博中挖掘热词,从而扩充域名字典的内容。其次,研究域名分词方法,进而构建域名字典。利用基于字典匹配和最大概率模型相结合的方法实现域名分词,同时采用基于信息熵和公共字符串相结合的方法实现从域名分词结果中提取未登录词。最后统计域名中单词出现频次等信息从而完成域名字典的构建。再次,建立域名评价模型。利用随机森林分类算法构造域名评价模型,分类算法采用包括域名的长度、顶级域名等九项字符特征以及域名中单词的百度搜索指数、WHOIS信息等五项可能包含流量信息的特征实现域名评价模型。最后,建立域名推荐模型。本文从基于域名字典生成域名和基于用户选择生成域名两个角度实现域名推荐,同时为用户提供经域名评价模型得出的评分结果等信息。本文完成了对多因素融合的域名推荐模型研究。通过实验表明,本文建立的域名推荐模型可以满足为用户推荐域名的需求。(本文来源于《哈尔滨工业大学》期刊2017-06-01）

刘爽^[9]（2017）在《基于改进Mahout推荐引擎的购物系统的研究与实现》一文中研究指出随着电子商务规模的不断扩大,网上购物系统属于电子商务的一种表现形式,也随着电子商务的发展变得越来越流行。随着网络购物方式的盛行,商品的个数越来越多,种类也越来越复杂多样,对于消费者来说,需要花费大量的时间和精力才能从成千上万的商品信息中挑选出自己想要购买的商品。对于商家来说,每个人都想提高自己购物系统中商品的销量以及销售额。因此,商品的个性化推荐功能对于复杂多样、信息量极大的购物系统来说是必不可少的,它可以帮助消费者从大量信息中挑选出自己想要的商品,同时也可以帮助商家提高消费者对商家的好评度从而提高商家的销售额。本文首先介绍了课题的背景以及意义,其次对电子商务的现状进行分析以及介绍推荐技术的发展背景以及研究内容,然后研究了Mahout协同过滤推荐算法,最后介绍了购物系统的代码实现以及完成整个购物系统的测试工作,验证了改进的协同过滤算法以及整个系统的可行性。总结起来,本文主要完成了以下四个方面的工作:1、对Mahout协同过滤推荐引擎进行研究分析,组合出不同的推荐算法,对比不同的组合算法,得出查准率和召回率最高的一种组合算法,准备应用于本文中的购物系统;2、对购物系统进行需求分析以及总体架构的设计,结合需求分析以及总体设计的结论,完成了系统的数据库逻辑设计,并且完成了数据库表的设计;3、根据数据库的表结构设计以及数据库管理工具Mysql,完成了购物系统基于SSH的环境搭建以及主要模块的实现,并且根据得到的Mahout协同过滤推荐算法组合应用于本文的购物系统中,并对其进行改进分析;4、搭建购物系统的测试环境,对整个系统包括商品推荐模块进行详细的测试,保证整个购物系统的良好运行,测试表明,本文的购物系统是一个完整、实用并且人性化的基于改进的Mahout推荐引擎的购物系统。(本文来源于《武汉邮电科学研究院》期刊2017-03-01）

林子扬^[10]（2016）在《基于相似度建模及SVD优化的协同过滤推荐引擎研究与设计》一文中研究指出机器学习的蓬勃发展带动了人们对自身以及各方面领域的探索,使得计算机拥有智能的根本途径,它的应用涉及到人工智能的各个领域,也可以作为实际工具应用于人类生产生活的多个领域。本研究将机器学习运用到行业中。从菜品推荐问题出发,分析了相关技术及理论,对现阶段构建物品相似度模型的优势、难点、可行性进行了论述。分析推荐算法实现所需要的模型特征,并基于物品相似度,设计出一种针对菜品的可以量化的数值模型抽象建模过程,同时对模型的简化方法进行了举例说明。最后通过Python语言进行矩阵奇异值分解(Singular Value Decomposition,SVD)推荐算法的实现,并通过叁种相似度计算方法对推荐结果进行验证。主要研究内容包括:1.设计出基于物品相似度的建模理论。根据菜品推荐实际需求,设计出一套基于物品相似度的建模理论,并对部分菜品进行建模。2.对菜品模型进行降维简化,满足现阶段基于用户相似度推荐算法运算的数据需要。3.基于SVD算法研究并设计优化的协同过滤推荐引擎,用SVD推荐算法将菜品推荐问题转化成数学模型问题。4.用Python语言实现菜品推荐,并用欧氏距离计算相似度、皮尔逊相关系数计算相似度和余弦相似度的方法对推荐结果进行分析,确定推荐算法实现成功。推荐引擎面临的一个问题就是冷启动(cold-start)问题,冷启动问题的解决方案,就是将推荐看成搜索问题,同时我们也可以将属性作为相似度计算所需要的数据,这被称作基于内容(content-based)的推荐。(本文来源于《西安电子科技大学》期刊2016-12-01）