1. 研究目的与意义、国内外研究现状（文献综述）

研究的背景：互联网的出现和普及给人类带来了海量的信息，满足了人类在信息时代对信息的需求，但随着信息的爆炸式增长，用户再面对大量信息时无法从中获得对自己真正有用的那部分信息，对信息的使用效率反而降低了，这就是所谓的信息超载（information overload）问题。

推荐系统是大数据时代信息过载的一个重要解决方案。

resnick等[1]于1997年第一次正式提出了推荐系统的概念，它是利用电子商务网站向客户提供商品信息和建议，帮助用户决定应该购买什么产品，模拟销售人员帮助客户完成购买过程。

2. 研究的基本内容和问题

研究目标:① 得到针对movielens数据集的合理量化方案。

② 得到movielens数据集划分并训练模型的合理方案。

③ 得到适用于movielens数据集的网络模型。

3. 研究的方法与方案

技术路线（1） 对卷积神经网络进行系统的学习，学会使用tensorflow。

（2） 对推荐系统进行系统的了解，学习传统的推荐算法，包括基于内容的推荐（学习方法适用knn，相似度计算会尝试多种相似度，包括但不限于欧几里得距离、余弦相似度）和基于协同过滤的推荐（基于物品的协同过滤和基于用户的协同过滤），同时，对当前推荐系统存在的问题进行调查与思考。

（3） 编程实现基于内容的推荐和基于协同过滤的推荐算法，在movielens数据及上进行测试。

4. 研究创新点

本课题的创新之处主要体现在运用神经网络实现推荐算法的做法还比较新颖，同时，课题的关注点在于未被较好解决的问题。

课题选题的主要来源是华南理工大学2016年硕士论文《基于卷积神经网络的推荐算法》，一方面，在查阅了若干文献后发现专门利用卷积神经网络实现推荐的文章并不多，即想法还算比较新颖，另一方面，硕士论文的结尾展望之处也提到了存有的五个主要不足之处，本课题的信息量化方案、网络结构调整设计、数据集计划分并实现个性化模型构建即取自五个主要问题中的三个，可以说，本课题是对已有研究的补充与发展。

最后，促使本人下定决心做这个课题的原因是感到神经网络的巧用，过去总是认为神经网络仅用于图像分类识别方面，本课题打开了我的思路，只要通过对原始数据进行合理的量化，神经网络能够适用于各行各业。

5. 研究计划与进展

2018年1月1-20日 神经网络入门与推荐系统初步了解。

2018年1月20-2月 5日 基于内容的推荐算法和基于协同过滤推荐算法实现。

2018年2月5-10日 movielens数据集分析与量化。