全文总字数：1961字

1. 研究目的与意义及国内外研究现状

选题旨在简要讨论常见的推荐系统，包括基于用户的推荐系统，基于内容的推荐系统，基于近邻的推荐系统，以及基于知识的推荐系统。我们通过建立模型、编写程序、分析结果的方法具体地研究推荐系统，特别是在准确性和多样性方面。

在这个信息爆炸的时代，在做各种决定的时候由于有着太多选择，人们往往感到手足无措。为了解决这个问题，人们发展出了多种多样的技术。近年来，推荐系统在全球范围内流行起来，它试图通过预测用户的偏好，在用户浏览信息时提供相对较少的选择，极大地减轻了用户的认知压力。听什么音乐、买什么东西、看什么广告，都能通过推荐系统得到答案，它被应用在各种各样的领域。那么面对各种各样的需求，我们应该如何选择合适的推荐算法？我们希望通过这篇论文，得到初步的结论。

我们研究的对象主要包括各类推荐系统的思想和方法。其中，我们着重调查每种推荐算法对于不同内容的推荐能力，最后形成对于各类算法推荐准确性和多样性的观点和看法。

国内外研究现状

推荐系统的理论源于上世纪九十年代，当时，人们希望可以通过网络利用别人的观点帮助自己找到有用的内容。这个简单的想法，即协同过滤，后来获得了巨大的成功。最初协同过滤由tapestry引出，数据库收集了用户填写的资料和日常行为的数据，用户点击鼠标就能了解他们想要了解的东西。两年之后出现了grouplens、ringo、bellcore。这些推荐系统利用同好的评分生成推荐列表，即k邻近算法，表现特别优异，所以k邻近算法迅速成为了流行的协同过滤算法。当时，不仅有协同过滤的推荐系统，还有基于知识的推荐系统，比如findme。这些系统证明了推荐系统的可行性和有效性，对学术界和工业界的研究产生了推动作用。

2. 研究的基本内容

第一部分：本文的技术背景以及本文的主要内容。

第二部分：简要介绍本文所用到的经典推荐算法。

第三部分：推荐算法准确性和多样性的评价标准。

3. 实施方案、进度安排及预期效果

1~2月： 收集推荐系统的相关资料，集中阅读RecomenderSystem Handbook，学习推荐系统的相关概念。

3~4月： 编写代码，实现mass diffusion，heat conduction，collaborative filtering三种推荐算法，基于样本集和测试集，比较各类算法的准确性和多样性，制作可视化图表形成报告并且提交。

5月： 将论文提交导师审核，并且对论文修改润色。

4. 参考文献

[1]李航. 统计学习方法. 北京: 清华大学出版社,2012.3

[2]周志华. 机器学习. 北京: 清华大学出版社, 2016

[3]张良均, 王路, 谭立云, 苏剑林. python数据分析与挖掘实战. 北京: 机械工业出版社,2015.12