摘 要

Abstract IV

1.绪论 1

1.1 研究的目的及意义 1

1.2 国内外研究现状 2

1.3 论文内容安排 3

2.系统实现的相关原理与技术 4

2.1 Android相关知识介绍 4

2.1.1 Android平台简介 4

2.1.2 Android架构 4

2.1.3 Android基本组件介绍 6

2.2 推荐算法相关知识简介 8

2.2.1 协同过滤算法的实现 8

3. 系统设计与实现 12

3.1 系统需求分析 12

3.1.1 系统功能需求 12

3.1.2 非功能需求 12

3.1.3 需求用例分析 13

3.2 系统设计与实现 13

3.2.1 系统整体架构 13

3.2.2 用户端架构 14

3.3 数据库设计 15

3.3.1 数据库的概念结构设计 15

3.3.2 数据库表格设计 17

3.4 客户端的详细设计和实现 18

3.4.1 开发环境 18

3.4.2 个人图书馆模块实现 19

4 总结与展望 22

4.1 论文总结 22

4.2 未来展望 22

附录 24

参考文献 30

致谢 31

摘要

对于计算两个事物的相似度，协同过滤算法是根据把客户对特定的事物的喜爱当做一个向量，然后得到与这个事物所相似的事物，接着利用客户平常的喜好，来对目前客户尚未表示喜好的事物做一个猜测，然后再将所有预测的事物收集起来向客户推荐。

以客户作为计算主体的协同过滤：User-based协同过滤算法是有一个前提条件的：假设一群客户对于一个事物的有类似的评价，那么理论上来讲，他们对于其余事物的评价也会十分类似。该算法就是把已有的类似客户所喜好的事物推荐给目标客户。这种类型的系统过滤算法不仅仅简化了运算，并且还有着极高的准确性，因此使用频率和范围都很广。按照以下顺序进行：首先需要把采集到的客户们对于不同事物的喜好评价放在一个矩阵中，对目标客户采取类似度的计算，即可获取和目标客户有着类似喜好的客户们，把这一群客户所喜好但目标客户尚未发现有喜好的事物列出推荐给该客户。

关键字：协同过滤；矩阵；类似度；推荐

Abstract

For the calculation of the similarity of two things, collaborative filtering algorithm is based on the customer's love for a particular thing as a vector, and then get things similar to this thing, and then use the usual preferences of customers to the current customer has not yet expressed preferences Of things to do a guess, and then all the predicted things collected to recommend to the customer.

User-based collaborative filtering algorithm is a prerequisite: assuming a group of customers for a similar evaluation of things, then theoretically speaking, they will be very similar to the evaluation of the rest of the things. The algorithm is to recommend similar to the customer's favorite things to the target customers. This type of system filtering algorithm not only simplifies the operation, but also has a very high accuracy, so the use of frequency and range are very wide. In the following order: first need to collect the customers for different things in the evaluation of preferences in a matrix, the target customers to take a similar degree of calculation, you can get and target customers have similar preferences of the customers, the group The customer liked but the target customer has not yet found a favorite thing listed to recommend to the customer.

Key Words:Collaborative filtering;matrix;Similarity;recommend

1.绪论

1.1 研究的目的及意义

技术的进步改变了人们生活的方方面面，大大地增加了人们做事情的效率，使得人们的衣食住行更加便利，伴随着4G移动通信网络的不断壮大，以及大家开始越来越喜欢操控自己的智能手机，新一代通信网络在与计算机网络的逐渐融合的过程中，进一步拓展了人们对于因特网的需求量，从而为传统的用户们增添了越来越多的信息来源以及信息获取方式，也标志着人们将进入一个更加进步的时代。截止至2016年12月，中国的手机上网人数已经达到7.72亿之多，远远不是电脑端的网民数量所能比拟的。手机用户数量的激增，也使得打电话以及发短信这类基本的功能早已无法满足人们的日常生活需要，更多的时候，人们在等车，排队，甚至在晚上睡觉之前，都会习惯性的通过手机来进行一些信息的浏览，不仅可以打发时间，也可以从中获取不少乐趣。

正式因为有了上述的背景，才使得图书馆阅读系统的出现和推荐算法的优化显得十分重要，并且诸如移动，腾讯等各个公司都开始向移动端阅读的APP方向迈进，足以看出手机阅读的市场前景有多大。不光是老师和学生，普通老百姓也开始迫切需要一种可以支持个性化服务的图书阅读和推荐系统，因此以Android为开发背景的图书馆阅读系统必将成为未来的趋势，手机端的移动阅读设备有很多优点，例如，可以不用被限制时间和地点，随时随地，都可以获得你所需要的推荐内容。要想从互联网这个网罗了如此庞大信息量的网络中去找到自己所喜欢的内容，对于普通人来说绝非是一件简单的事，但是有了该系统，就可以基于你个人的兴趣，对网络上大量的信息进行一个筛选，从而选择出最符合你要求的书籍和信息。

通过挖掘用户的数据，对挖掘到的信息进行分析[9]。采用一种相似度的算法，可以挖掘并发现用户们所感兴趣的物品，以及隐藏起来的用户的也许会稍微有兴趣的东西，来实现推荐的效果。作为一个良好的推荐信息的系统，它应该要不仅仅根据用户的兴趣来进行一个确切的推荐，而且还要在收集这些信息的过程当中，能够让用户付出的劳动越少，就越能够体现出这个系统的优越性。