基于用户的协同过滤算法论文

《基于用户的协同过滤算法论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、石家庄铁道大学毕业设计基于用户的协同过滤推荐算法在电子商务中的应用TheApplicationofUser-basedCollaborativeRecommendationAlgorithminE-commerce届经济管理学院专业信息管理与信息系统学号学生姓名指导教师完成日期2011年6月2日毕业设计成绩单学生姓名学号20071191班级专业信息管理与信息系统毕业设计题目基于用户的协同过滤推荐算法在电子商务中的应用指导教师姓名指导教师职称教授评定成绩指导教师得分评阅人得分答辩小组组长得分成绩：院长(主任)签字：年月日毕业设计任务书题　目基于用户的协同过滤推荐算法在电子商务中的应用学生

2、姓名学号班级专业信息管理与信息系统承担指导任务单位经济管理学院导师姓名导师职称教授一、主要内容在电子商务应用系统中，如何发掘个体用户潜在的需求、提供个性化信息服务，是电子商务深入发展所面临的一个关键问题。本课题由孙珊珊同学独立承担，旨在研究基于用户的协同过滤推荐算法，设计开发相应的电子商务个性化推荐原型系统，为用户提供个性化商品推荐。系统主要功能包括：(1)用户注册和登录；(2)卖家管理销售的商品；(3)买家用户收藏商品；(4)买家用户购买商品；(5)买家用户评价商品；(6)为买家用户提供个性化商品推荐。二、基本要求1.开发环境与工具：ASP.NET，SQLServer2005；2要求

3、论文1万字，外文翻译3千字，提供电子文档和软件。三、主要技术指标1.系统界面布局合理、操作方便；2.用PowerDesigner等CASE工具辅助进行系统分析与设计；3.对输入数据进行有效性验证。四、应收集的资料及参考文献[1]余力,刘鲁.电子商务个性化推荐研究[J].计算机集成制造系统.2004,10(10):1306~1313.[2]高滢,齐红,刘亚波,刘大有.基于用户等级的协同过滤推荐算法[J].吉林大学学报(理学版),2008,46(3):489~493.[3]J.Benschafer,Josepha.Konstan,Johnriedl.E-CommerceRecommenda

4、tionApplica-tions[J].DataMiningandKnowledgeDiscovery,2001,(5):115~153.[4]王茜,王均波.一种改进的协同过滤推荐算法[J].计算机科学,2010,37(6):226~243.五、进度计划第1周～第6周：毕业实习，查阅资料，基于用户的协同过滤推荐算法研究第7周～第9周：熟悉系统开发环境与工具，设计原型系统第10周～第14周：实现推荐算法，开发原型系统，确定论文框架第15周～第16周：撰写论文，准备答辩教研室主任签字时　间　　年　月日毕业设计开题报告题　目基于用户的协同过滤推荐算法在电子商务中的应用学生姓名学号班级专业信

5、息管理与信息系统一、研究背景及意义随着网络的普及，网络资源不断丰富，网络信息量不断膨胀。用户要在众多的选择中挑选出自己真正需要的信息好比大海捞针，出现了所谓的“信息过载”的现象。信息过载是指的是社会信息超过了个人或系统所能接受、处理或有效利用的范围，并导致故障的状况。个性化推荐系统的出现是为了解决信息过载的问题，帮助消费者在浩如烟海的产品中找到自己需要的产品，为消费者提供个性化的购物体验[1]。个性化推荐系统日益受到用户的青睐，也受到越来越多的学者和电子商务网站的关注[2]。个性化推荐可以作为网络营销的一种手段，能为电子商务网站带来巨大的利益。个性化推荐的目标是根据具有相似偏好的用户的

6、观点向目标用户推荐新的商品[3]。好的个性化推荐系统能够发掘用户喜欢的商品，并推荐给用户。可想而知，对于用户而言，如果打开网站的链接并登陆，就能找到自己喜欢的商品，那会省下很多翻看网页的时间和精力，而这样的网站，一定会受到用户的青睐。一个好的个性化推荐系统可以为用户提供便利，继而，使用户与网站之间有更好的粘合度，提高电子商务网站的市场竞争能力。在众多的个性化推荐算法中，协同过滤被广泛应用，也是最成功的推荐算法[3]。本课题旨在研究基于用户的协同过滤推荐算法在电子商务个性化商品推荐中的应用。二、国内外研究现状1．个性化推荐技术的简介个性化推荐(personalizedrecommenda

7、tion)技术通过研究不同用户的兴趣，主动为用户推荐最需要的资源，从而更好地解决互联网信息日益庞大与用户需求之间的矛盾。目前，推荐技术被广泛应用到电子商务、数字图书馆、新闻网站等系统中[4]。因此，各种适用于推荐系统的技术应运而生，如协同过滤技(CF)、bayesian网技术、聚类分析技术、关联规则技术、神经网络技术和图模型技术等[5]，其中，协同过滤是应用最为广泛的个性化推荐技术[6]。协同过滤推荐又分为基于模型(Model-based)的协