基于双重聚类推荐系统的设计与实现

《基于双重聚类推荐系统的设计与实现》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、学位论文独创性声明本人所呈交的学位论文是我在导师的指导下进行的研究工作及取得的研究成果．据我所知，除文中已经注明引用的内容外，本论文不包t含其他个人已经发表或撰写过的研究成果．对本文的研究做出重要贡献的个人和集体，均巳在文中作了明确说明并表示谢意．作者签名：吴彬日期：w,-07．·7学位论文授权使用声明本人完全了解华东师范大学有关保留，使用学位论文的规定，学校有权保留学位论文并向国家主管部门或其指定机构送交论文的电子版和纸质版．有权将学位论文用于非赢利目的的少量复制并允许论文进入学校图书馆被查阅．有权将学位论文的内容编入有关数据库进行检索．有权将学位论文的标题和摘要汇

2、编出版．保密的学位论文在解密后适用本规定．学位论文作者签名：景彬日期：≯∞7．Il导师签名：s入溯．日期：≯呷．t、1．1研究背景及意义第一章概述在人类昂首进入新世纪的同时，许多国家都把大力发展科技和教育事业作为推动国家进步的重要策略。利用网络这种现代化的沟通方式进一步普及教育、提高公民素质在世界上的一些国家已经非常普遍了。经过多年的信息化发展，到2005年底，我国已有途九成的高校，约6％的中小学(38000多所)和35％的中职学校(近6000所)基本建成校园网[1]。网络教育无论从国家的重视程度上，还是潜在的社会和市场需求上都有着巨大的发展潜力．髓着网络教育的不断发

3、展，将会有更多的入通过网络接受教育，同时政府也将投入大量资金用来建设一批面向新世纪的网络课程和网络教学资源库，为网络教育的发展奠定良好的基础。。在网络教育飞速发展的同时，网络教育资源的种类和数量从无到有，从少到多，增长的速度是非常惊人的。现在，网络教育资源的种类繁多、数量巨大。这就需要开发网络教育资源管理软件，对种类繁多的多媒体课件、素材库、资料库等大量的网络教育资源进行有效的管理，并能随时、高效地从这些大量的网络教育资源中提取和组织出来用户所需要的资源信息。然而，目前无论国外还是国内市场，在软件开发上大部分网络教育软件公司都侧重于网络教学课件制作平台以及常规的数据库

4、管理软件的开发，而没有对庞大的数据库信息、用户信息和用户行为进行挖掘提炼，使得教育资源只能被动的等待用户的搜索，大大降低了教育资源的利用率。此外，Internet用户群体的规模不断扩大，具有不同的背景、不同的兴趣和目的，如何支持用户快速有效地发现和利用网络上的教育资源以及如何挖掘网络教育资源管理系统的潜力，对研究者也提出了新的挑战。推荐系统是近几年发展起来的一项网络技术，它能根据用户信息和资源信息主动挖掘用户和资源的相关性，并使系统主动将资源推荐给用户。推荐系统在电子商务领域得到了充分的发展。教育资源推荐系统就是根据当前网络教育的发展状况和采夹网络教育的发展趋势，将推

5、荐系统相关技术运用到教育资源管理领域而开发的一个高效的网络教育资源推荐软件。教育资源推举系统的主要目标是对种类繁多、数量巨大的网络教育资源(如课件、媒体素材、试卷、试题库、案例、文献资料、网络课程、常见问题解答等)进行有效的组织和管理，以便于网络教育资源的高度共享和便利获取，从而加快网络教育资源的开发和利用，促进网络教育的发展。1．2本文主要的研究内容针对当前教育资源管理系统存在的问题和推荐系统面临的主要挑战，本文进行了以下几个方面的有益的探索和研究。1、将电子商务中的推荐技术与网络教育资源相结合，生成教育资源推荐系统。目前的大多数教育资源管理系统都没有主动推荐功能，

6、使得用户搜索具有一定的盲目性，随着资源的增多，数以万计，搜索结果往往有多页甚至几十页，不仅费时效率低下，而且后面几页很难有机会被用户打开；同时位于众多资源堆中的优秀资源却只能被动的等待；推荐技术可以解决这个问题，它能根据用户已往的浏览下载等行为，主动为用户推荐其可能喜欢的资源，大大减少了用户搜索的时间和盲目性。2、针对推荐系统实时性研究，提出了基于双重聚类(项目聚类和用户聚类)的协同过滤推荐算法。随着系统规模的扩大，用户数量和项目数量数以万计，在整个用户空间上搜索目标用户的最近邻居和在整个项目空间上估计用户对所有项的评分及查找用户最感兴趣项都变得非常耗时，同时为数以万

7、计的用户提供实时推荐服务越来越困难，导致推荐系统的实时性要求越来越难以满足。针对推荐系统面临的实时性挑战，我们提出了基于双重聚类的协同过滤推荐算法。基于双重聚类的协同过滤推荐算法通过用户对项目评分的相似性分别对项目和用户进行聚类，从而将用户评分相对类似的项目归入同一个聚类中，产生项目聚类，每个项目聚类的中心称为虚拟项目；将对项目评分类似的用户也归到同一聚类中，产生用户聚类，每个用户聚类的中心称为虚拟用户。然后根据每个聚类中用户对商品的平均评分生成对应的虚拟用户对虚拟项目的虚拟评分。推荐时首先查找与当前客户最为相似的前n个用户聚类；然后根据虚拟评分查找