《基于知识库的礼品推荐系统的设计与实现.doc》由会员分享，可在线阅读，更多相关《基于知识库的礼品推荐系统的设计与实现.doc（58页珍藏版）》请在金锄头文库上搜索。
1、 硕士研究生学位论文 题目：基于知识库的礼品推荐系统的设计与实现学 号： 085707 姓 名： 路卫杰 专 业： 计算机科学与技术导 师： 孟祥武 学 院： 计算机学院 年 月 日北京邮电大学硕士研究生毕业论文 声明独创性（或创新性）声明本人声明所呈交的论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京邮电大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。申请学位论文与资料若有不实之处，本人承担
2、一切相关责任。本人签名： 日期： 关于论文使用授权的说明学位论文作者完全了解北京邮电大学有关保留和使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京邮电大学。学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。（保密的学位论文在解密后遵守此规定）非保密论文注释：本学位论文不属于保密范围，适用本授权书。本人签名： 日期： 导师签名： 日期： 49北京邮电大学硕士研究生毕业论文 中文摘要基于知识库推理的礼品推荐系统的设计与实现摘 要当今，个性化推荐系
3、统已经在很多领域得到了应用，如网络商品推荐、音乐推荐、影视推荐等。推荐技术包括协同过滤、内容过滤、知识发现等，但是这些推荐技术并没有考虑推荐领域的知识对推荐结果的影响，或者推荐结果没有通过与用户的交互过程中得到完善和改进。鉴于以上问题，本文针对礼品推荐领域提出了基于知识库的推荐方法。首先在调研了礼品信息和礼品赠送知识后构建礼品知识库，然后礼品专家通过人工方式对礼品知识库进行初始化，最后系统根据礼品的基本信息计算出礼品综合相似度对礼品知识库进一步完善。本文采用AJAX等技术设计并实现具有良好用户体验的知识库推荐用户接口，采用全文检索引擎工具包Lucene对礼品信息构建索引并根据用户的日志设计个性
4、化的礼品搜索功能。 本文第一章介绍了推荐系统的研究背景和国内外的研究现状以及本文的研究路线方法和研究内容。第二章介绍了主要的推荐算法和本系统所涉及的关键技术。第三章描述了系统的需求分析，包括任务概述、需求规定以及运行环境的规定。第四章阐述了系统设计，包括系统整体功能设计和系统整体架构设计。第五章详细描述了系统实现中的关键问题和解决方案。第六章对系统进行功能测试和性能测试。第七章是工作总结和进一步的展望。 关键词：礼品推荐 知识库 相似度 个性化 搜索北京邮电大学硕士研究生毕业论文 英文摘要Knowledge-basedGiftsRecommendation SystemDesign and I
5、mplementationABSTRACTPersonalized recommendation system has been widely used in many fields, such as network products recommendation, music recommendation, movie recommendation, etc. Recommendation techniques include collaborative filtering, content filtering, knowledge discovery, etc. However, thes
6、e recommendations do not consider the influences that the knowledges in recommended areas to the results, or the recommended results isnt perfected or improved through the process of interaction with users. In view of the above problems, this paper proposed a recommendation method based on knowledge
7、 base for gift recommendation. First, knowledge base for gift is built after a series of researches, then initialized by gift specialists manually, and finally ajusted according to similarity which is calculated on the basic information of gifts. AJAX technique is introduced to achieve the user inte
8、rface in order to supply good user experience，and Lucene, the full-text search engine toolkit is also used to construct index for the gifts information and design personalized search function in accordance with the users log. In Chapter 1, the background of recommendation system, the significance of
9、 the study, and the methods and contents of the study is introduced. In Chapter 2, we describe the main algorithms and key technologies that involved. Requirements analysis, includes overview of the work, the demand of requirement and environment is described in Chapter 3. The main content in Chapte
10、r 4 is the system design, which is divided into two parts, the function part and the construction part. Chapter 5 is the detailed description of the key problems and solutions in the process of system construction. In Chapter 6, functional testing and performance testing of the system is operated. T
11、he last Chapter is a summary of our work and further prospects.KEY WORDS:gifts recommendation, knowledge base,similarity, personalized,search北京邮电大学硕士研究生毕业论文 目录目录北京邮电大学研究生毕业论文 第一章 绪论1.1 研究背景随着互联网和电子商务的迅速发展，人类己步入网络信息时代。随着信息技术特别是网络技术的发展，信息系统的规模越来越大，数量越来越多，信息获取的工具和方法越来丰富，在更方便的为用户提供越来越多信息和服务的同时，其结构和内容越来越
12、复杂，在海量信息中，用户及时、准确地获得所需要的信息也更加困难1。海量信息的同时呈现，一方面使用户很难从中发现自己感兴趣的部分， 另一方面也使得大量少人问津的信息成为网络中的“暗信息”，无法被一般用户获取2。面对网络信息量呈指数增长，如何从这浩瀚的海洋中取得所需要的、真正有用的信息，已成为广大网络用户共同面临的问题。首先，由于很难准确描述出需要的信息的特征，用户常常会面对大量的信息而束手无策，迷失在大量的信息空间中；其次，信息系统单纯依靠提供的检索方式，往往不能满足用户描述检索条件的需求，找不到描述信息需求的方式。另外，用户每次获取信息，都要输入大量、烦琐的检索条件，而信息系统不能通过服务历史
13、和服务过程掌握用户需求，信息系统不能产生对用户持久的吸引力。在这种背景下个性化智能推荐服务（Personalized Recommender Services）应运而生并迅速发展起来，它通过与用户交互过程中获取的信息推测用户的兴趣偏好，并根据用户的兴趣偏好推荐符合用户兴趣偏好的信息。个性化智能推荐服务不仅可以帮助用户找到所需信息，而且通过个性化智能推荐服务，可以有效保留用户，提高信息系统的吸引力和用户的忠诚度3。1.2 研究现状1.2.1 国外研究现状在推荐用户模型方面，常用的用户建模技术有向量空间模型4、用户评价矩阵5，以及机器学习技术6。在推荐算法方面，协同过滤是应用最广泛的个性化推荐技术
14、。协同过滤首先计算用户之间的相似度，然后将相似度最高的用户作为最近邻居，最后通过最近邻居用户产生推荐结果。Kuo R J, Liao J L和 Tu C提出了一个利用神经网络和遗传K-means 算法通过分析用户在电子商务网站的浏览路径来获取用户偏好的方法。各种挖掘技术如关联规则挖掘、聚类挖掘等被应用于Web 日志的分析中，以提高推荐系统的精度7。A推荐系统是由Gery Linden，Brent Smith和Jeremy York主导开发的集研究与应用于一体的推荐系统，采用项目-项目协同过滤算法，根据用户己购买和己评分项目寻找相似项目，将相似度高的项目列入到推荐列表中。通过比较相似项目表与每个用户已购买和己评分的项目，系统整合比较结果将关联度最高和最畅销的项目推荐给用户。根据用户己购买和己评分项目寻找相似项目的计算较快，它只依赖于用户已购买和已评分的项目数量，采用在线方式进行。因此，即使是面对大规模数据集也有较快的运行速度8。由于基于项目协同过滤推荐算法高度的关联
