全文总字数：3550字

1. 研究目的与意义及国内外研究现状

个性化推荐系统是建立在海量数据挖掘基础上的一种智能信息平台，广泛用于电子商务和社会化网络等领域。在电子商务平台中，个性化技术能够帮助电子商务网站为其顾客购物提供完全个性化的决策支持和信息服务，为客户推荐商品，自动完成个性化选择商品的过程，满足客户的个性化需求。数据挖掘是人工智能重要方向，其采用的技术主要有关联规则生成、序列模式发现、分类、聚类等。将数据挖掘相关技术应用于相关系统，进行个性化分析，可以发现用户的访问兴趣、习惯及对站点设计有用的领域知识，从而实施个性化服务、市场决策及站点结构的自适应调整等应用。

另外，在应用上，推荐系统已经成为电子商务、影视、音乐、电子读物、美食、旅游攻略以及社交软件等互联网产品中不可或缺的功能模块。除此之外，智能广告投放以及基于位置的服务等，也是推荐系统的重要应用领域。作为近几年比较成功的推荐系统应用案例，电影租赁网站netflix 有60%的用户是通过推荐系统找到自己感兴趣的电影的，电子商务网站amazon有近30%的收入来自其推荐系统，视频分享网站youtube主页上有近60%的点击是通过其推荐系统产生的。由此可见，推荐系统给广大互联网用户带来便利的同时，也创造了巨大的商业价值。

国内外研究现状

1995年，stanford大学balabanovic等及carmegie mellon大学amstrong等学者，先后在国际人工智能协会aaai提出个性化推荐lira、个性化导航的想法，意味着个性化服务与推荐系统的产生。1996年，cmu的mladenic优化web watcher设计出个性化推荐系统personal webwatcher;yahoo也增添了个性化入口myyahoo,个性化推荐逐渐得到广泛关注。1997年3月，美国计算机协会acm对个性化推荐系统做了专題报告，resnick,varian在acm通讯上首次提出了电子商务推荐系统的定义。1998年7月，aaai专门召开推荐系统威斯康辛州会议，主要研讨推荐系统的未来发展问题，这些事件意味着个性化推荐技术研究开始受到高度重视。从1999年开始，acm每年召开一次电子商务研讨会，并设立推荐系统年会，个性化推荐研究成为关注焦点;是年，acm数据挖掘专业组sigkdd设立webkdd 研讨组，主要研究web 挖掘与个性化推荐;mit 的lieberman 实现了协同过滤导航系统lets browse;tu-dresden的joerding设计出电子商务个性化系统tellim;2000年，日本电气nec的bollacke 等学者实现了搜索引擎citeseer个性化推荐服务，个性化推荐从学术研究开始迈向应用层面。2001年以来，个性化推荐研究逐渐在电子商务和信息系统领域得到广泛应用。ibm 实现了基于关联规则的个性化推荐系websphere.2001年5月，minnesota 大学grouplens研究所sarwar等教授，在第10届香港万维网www会议上发表了学术论文《item-based collaborative filtering recommendation algorithms》，扩充了基于邻居的协同过滤技术。2004年以后，个性化推荐开始融合基于内容的过滤、协同过滤旧、基于模型的推荐，呈现出三者的组合推荐方式发展趋势; minnesota 大学grouplens (john ried,joseph a.konstan)、密西根michigan大学(paul resnick),camegie mellon 大 学(jaime callan ).微软研究院(ryenw.white),newyor大学(alexandertuzhili等国际著名研究团队都在探索基于web挖掘的信息过滤推荐算法和技术。

在国内，随着电子商务的兴起和发展，个性化推荐技术2001年以后也逐渐成为研究热点。很多高校和科研组织也先后开始研究个性化推荐，此方面的论文也逐年增多。2004 年余力、刘鲁等人的《电子商务个性化推荐研究》,2003年邓爱林的《基于物品评分预测的协同过滤推荐算法》和2004 年的《基于物品聚类的协同过滤推荐算法》121,2007年李涛的《一种基于用户聚类的协同过滤推荐算法》,2007年彭玉的《基于属性相似性的item-based协同过滤算法》,2009年彭德巍的《一种基于用户特征和时间的协同过滤算法》等。个性化推荐是近年来新兴的学科分支，在国内电子商务等领域虽初现端倪，目前仍处于起步，而个性化服务离用户需求还有不小的距离。这主要因为个性化推荐方法薄弱单一，不能在线推荐，自动化、个性化、持久性程度和准确率都非常低.缺乏真正实现个性化服务的个性化推荐技术支撑，不能满足用户的个性化需求。需要大力开展理论及应用研究。

2. 研究的基本内容

本文主要以商品推荐为例，展开对基于评分数据的个性化推荐算法的研究及应用分析。通过分析用户的评分模式及购物兴趣中存在的差异性。在评分模式上，部分用户可能对商品的质量或者是价格采取更加宽容的态度，而其他的用户可能相反。针对这一问题研究发现基于评分的商品推荐算法IBCF的性能要相对好于UBCF的原因。在此基础上，得到我们对用户购物兴趣在用户购物行为上的影响的机制。如果把用户的评分矩阵转换成0-1矩阵之后，可以用来计算用户兴趣之间的相似性进而向目标用户推荐商品，对商品流行度和用户活跃度在用户购物决策中对用户兴趣暴露的干扰的分析，改进了先前的兴趣模型，从而得到了较好的推荐效果。提出了把基于评分的推荐和基于用户兴趣的推荐进行有效的融合，从而向用户推荐既符合个人兴趣有可能会被评为高分的商品。从而提升用户的购物体验。

3. 实施方案、进度安排及预期效果

实施方案：

此次论文拟从个性化推荐系统的必要性出发，阐述本课题的研究意义，然后简单介绍个性化推荐系统的发展现状。接下来系统并简明的述说个性化推荐系统理论知识，紧接着介绍其系统的设计以及实现框架，然后用代码实现其系统，最后对论文进行总结。具体有以下几个方面的工作： （1）介绍个性化推荐算法的相关知识，介绍理论知识的发展背景以及其研究现状。（2）设计系统框架，然后描述系统实现的步骤和过程。（3）编程实现系统的功能，然后对系统进行测试，实验验证其是否达到了预期效果。进度安排及预期效果：2017年12月20日前 选择毕业设计题目，查找相关参考文献和资料。

2018年1月19日前理清思路，填写任务书。2018年2月28日前填写开题报告，完成开题。2018年3月-4月 在指导老师的指导下查阅文献，学习基本理论知识。2018年4月14日 参加毕业设计预答辩2018年4月-5月 完成实验并找出规律，熟悉毕业论文格式，撰写初稿。2018年5月-5月18日请指导老师审查论文并根据老师的指导进行完善

4. 参考文献

[1].高建煌. 个性化推荐系统技术与应用[d].中国科学技术大学,2010

[2].孙艳. 基于协同过滤的图书推荐算法研究[d].江苏大学,2015.

[3].李建军.个性化推荐中混合模型的研究[d].上海大学,2015