1. 研究目的与意义（文献综述）

当今我们身处一个数据爆炸的时代。拥有海量的数据，并不等于我们就能够掌握和利用它们。目前来看，推荐系统和搜索引擎是解决上述“信息过载”问题的最好的手段。随着web 2.0的发展，用户不再只满足于基于关键字的检索方式获取到的信息，更倾向于根据自己的喜好来获得个性化的信息服务。而与搜索引擎相比，推荐系统真正做到了主动推送，不需要用户自己查找。近年来推荐系统逐渐被利用在各个领域，其价值在于帮助用户解决信息过载和做出更好的选择，也是现在互联网领域最强大和最流行的信息发现工具之一。

由于用户有限的时间和接受能力，实际上，大数据带来的最直接挑战就是如何让普通消费者在数据汪洋中找到自己需要的内容。因此，在电影和视频网站、电子商务等很多领域，通过用户的行为，挖掘用户的潜在偏好，实现用户和信息的精准匹配，意味着信息价值和用户体验的提升，从而为信息生产者带来更高的利润，同时也能够增加用户的粘性，提升竞争力。

推荐系统（rs）是一种向目标用户建议可能感兴趣物品的软件工具和技术，提供的推荐旨在通过各种决策过程来支持用户。传统的推荐技术是根据所有系统登录用户的历史行为记录，计算出整个用户群的行为特点，把大众用户普遍喜欢的信息推荐给用户，这就是所谓的热门信息，这种方法推荐的结果对关注时事新闻追赶新潮的用户比较有用，但是针对某个特定用户来说不够理想，因为没有考虑到个体的兴趣差异。针对这一问题，学者通过对算法的不断研究和改进，提出了个性化推荐这一概念。

2. 研究的基本内容与方案

目标：

1）在开源平台构建采用传统算法实现的推荐系统，并对其进行研究。

2）分析传统推荐算法中的不足，提出改进措施，并将改进后的算法编程实现。

3. 研究计划与安排

第一阶段（第1周—第3周）：阅读相关参考文献，完成开题报告，外文资料翻译及文献摘要撰写，并交予指导教师检查。

第二阶段（第4周—第9周）：熟悉所选用的算法，运用所学的数学以及计算机理论知识，完成算法的实现，提出改进方案。

第三阶段（第10周—第13周）：实现算法的改进，在公共数据集上测试算法性能，完成与已有的同类算法的比较实验，对算法的结果进行分析。

4. 参考文献（12篇以上）

[1] francesco ricci, lior rokach, bracha shapira,paul b.kantor.推荐系统技术、评估及高效算法[m]. 北京:机械工业出版社, 2018.

[2] 黄敦贤. 推荐系统中的用户动态兴趣模型研究[d].华南理工大学,2018.

[3] 项亮. 推荐系统实践[m]. 1. 人民邮电出版社, 2012.