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。

个性化推荐系统根据当前用户历史操作记录，单独为其计算建立适合每个用户的兴趣模型，然后将欲推荐的信息与用户的兴趣模型进行匹配，匹配度达到一定的阈值的信息推荐给用户。但是目前的大多数推荐算法研究都基于一个假设：将用户兴趣视为静态不变的。其建立的用户兴趣模型主要依靠静态的数据，缺乏时间标签，未考虑用户行为数据本身的时间因素和因果关系。因此，为了更好地预测用户地动态兴趣，需要分析用户兴趣的变化规律，设计一个动态的时间敏感的用户兴趣模型和推荐算法。本课题将通过调研现有的资源推荐算法，设计一个实际的资源动态推荐算法。通过研究大量用户的统计性行为和用户的个性特征，在用户浏览资源的过程中，根据用户当前感兴趣的物品，动态调整推荐列表，为用户推荐更多可能感兴趣的物品。

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）在具有一定数量的用户及其行为数据记录的实际数据集上对改进后的算法进行有效性验证，并与传统推荐算法的实验结果进行对比，根据对比分析得出结论并采用迭代的方式不断优化。

基本内容、拟采用的技术方案及措施：

1）学习推荐系统的相关概念知识，主要是个性化推荐技术中的协同过滤推荐技术的原理与实现，常用的算法以及应用情况。