大数据背景下个性化推荐算法的设计与实现

1.选题背景和意义

随着信息时代的互联网普及，信息处理过载等问题也越来越明显。现在有三种较为成熟的处理办法：搜索引擎、网站导航和推荐系统。但是搜索引擎与网站导航都存在一个问题，当用户不能明确表述自己的需求时，它们所能提供的帮助就变得微乎其微，推荐系统便成为了关键。但是既然互联网还在不断的高速发展，信息量的增加便不会停止。传统的推荐系统在大量的数据冲击下极易遇到储存于计算能力的满载，例如现今淘宝的用户数已超过10亿，而淘宝书库的储备也已达到10亿，要在10亿的二次方做推荐系统是不可能单机完成的。而大数据作为当今热门，目标是从海量数据中进行采集、存储和分析。大数据的处理通常不能是简单的数据库存储和查询，更多的是基于分布式文件系统和分布式计算两方面，从而做到数据的实时性、动态地采集、海量数据存储、海量数据分析（实时计算，流处理）等方面，所以基于大数据的推荐系统是最好的用户推荐处理方式。

2.研究基础和主要参考文献

研究基础：

1.  来源

大学期间学习的相关课程：《Web程序设计》、《Java》、《数据库原理与应用》、《JSP程序设计教程》等。

2.  研究基础

当前个性化推荐算法应用因未构建增量更新推荐模型,对电子商务平台的大数据进行处理,导致推荐结果不能及时更新,严重影响用户体验。因此,提出基于大数据技术的电子商务个性化信息自动推荐算法。首先对平台中用户与项目的相异度进行计算,利用计算后的相异度矩阵构建数据增量更新模型;然后,将该模型作为个性化推荐模型,实验对比结果表明,所提方法在电子商务应用中有着更加出色的推荐效果。 

 文献：

[1]  张云天,陈娜.大数据时代网络社交平台个性化推荐发展创新[J].数字技术与应用,2022,40(01):125-127.DOI:10.19695/j.cnki.cn12-1369.2022.01.41.

[2]  李加军.基于大数据技术的电子商务个性化信息自动推荐算法应用[J].自动化技术与应用,2021,40(10):38-42.

[3]  张云天,陈娜.基于大数据技术的个性化推荐系统分析[J].信息与电脑(理论版),2021,33(15):98-100.

[4]  成鹏飞,黄钰譞,刘正,成思婕.电子商务平台大数据个性化推荐方法研究[J].商学研究,2021,28(03):116-124.

[5]  杨宏胜. 基于大数据的用户个性化推荐系统设计与实现[D].南京邮电大学,2020.DOI:10.27251/d.cnki.gnjdc.2020.001141.

[6]  Java数据库技术在用户注册与登录中的应用[J]. 谢文兰.  广东培正学院学报. 2014(01)

[7]  赵衍,杨喆涵.基于知识图谱的我国高校图书馆个性化推荐研究综述[J].上海管理科学,2021,43(05):116-124.

[8]  彭星亮. 基于大数据挖掘技术的高校个性化图书推荐系统研究[D].深圳大学,2020.DOI:10.27321/d.cnki.gszdu.2020.000868.

[9]  刘芷茵.大数据环境下个性化图书推荐服务研究[J].图书馆学刊,2017,39(06):101-106.DOI:10.14037/j.cnki.tsgxk.2017.06.024.

3.主要研究内容

1.  因为数据的采集与标准化：搜索引擎用户行为数据更为多样化与独特，其中包含大量用户信息，研究哪些行为能反映用户的实际喜好

2.  兴趣多变问题研究：根据数据特征，建立兴趣分析模型，发掘用户长久性趣和及时兴趣

3.  相似度研究：基于用户检索数据的相似度，研究如何计算混合类型的用户数据相似度问题

4.  算法实现：研究一种基于潜在语义分析和兴趣推荐系统混合的算法方案

4.拟采取的研究方法和技术路线

研究方法：

通过查阅相关文献与过去相关数据了解大数据与个性化推荐的技术状况

拟定合适的问卷采集数据，分析数据，研究优化算法的重点

技术路线：

1.  重点研究推荐系统的相关技术，分别介绍大数据处理的方法、全文检索技术以及推荐系统相关技术基础。

2.  主要研究推荐系统的数据采集、用户行为分析模型、用户行为分类方法以及并行推荐算法。

3.  根据推荐系统实际需求，分析并确认推荐系统的功能需求和非功能需求。结合目前业界开源项目，完成大数据基础下的推荐算法的设计。

5.研究计划及进度安排

前期准备阶段：对大数据以及个性化推荐课题进行调研，制作调查问卷来了解用户需求。

第1周：了解大数据背景下的个性化推荐技术现状，查询相关文献资料，提交开题报告。

第2周：完善开题报告，并完成算法的可行性分析

第3-4周：完成搜索引擎下用户行为与电子商务的用户行为之间的区别以及大数据用户行为数据特性研究

第5-6周：完成用户行为性趣分析以及个性化推荐模型

第7-8周：完成用户行为数据采集与标准化研究

第9周：用户行为大数据下的推荐系统算法并行，撰写论文。

第10周：完成毕业论文初稿并按照要求修改完善论文。

答辩准备阶段：精修系统论文，确定最终稿，准备答辩。

指导教师意见：

                   指导教师（签名）：             

                                                         年   月   日

系（教研室）意见：

负责人（签名）：                          

                                                                     年   月   日

学院意见：

负责人（签名）：                

                                                                     年   月   日