【正文】 1）設(shè)計（論文） 2）附件：按照任務書、開題報告、外文譯文、譯文原文（復印件）次序裝訂 指導教師評閱書 指導教師評價： 一、撰寫（設(shè)計）過程 學生在論文（設(shè)計）過程中的治學態(tài)度、工作精神 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生掌握專業(yè)知識、技能的扎實程度 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生綜合運用所學知識和專業(yè)技能分析和解決問題的能力 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 研究方法的科學性；技術(shù)線路的可行性；設(shè)計方案的合理性 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 完成畢業(yè)論文（設(shè)計）期間的出勤情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 建議成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 指導教師： （簽名） 單位： （蓋章） 年 月 日 評閱教師評閱書 評閱教師評價： 一、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰 寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計 說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 建議成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 （在所選等級前的□內(nèi)畫“√”） 評閱教師： （簽名） 單位： （蓋章） 年 月 日 教研室（或答辯小組）及教學系意見 教研室（或答辯小組）評價： 一、答辯過程 畢業(yè)論文（設(shè)計）的基本要點和見解的敘述情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 對答辯問題的反應、理解、表達情況 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 學生答辯過程中的精神狀態(tài) □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 二、論文（設(shè)計）質(zhì)量 論文（設(shè)計）的整體結(jié)構(gòu)是否符合撰寫規(guī)范？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 是否完成指定的論文（設(shè)計）任務（包括裝訂及附件）？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 三、論文（設(shè)計）水平 論文（設(shè)計）的理論意義或?qū)鉀Q實際問題的指導意義 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文的觀念是否有新意？設(shè)計是否有創(chuàng)意？ □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 論文（設(shè)計說明書）所體現(xiàn)的整體水平 □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及格 評定成績： □ 優(yōu) □ 良 □ 中 □ 及格 □ 不及 格 教研室主任（或答辯小組組長）： （簽名） 年 月 日 教學系意見： 系主任： （簽名） 年 月 日 目 錄 摘 要 對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。盡我所知，除文中特別加以標注和致謝的地方外，不包含其他人或組織已經(jīng)發(fā)表或公布過的研究成果，也不包含我為獲得 及其它教育機構(gòu)的學位或?qū)W歷而使用過的材料。本人授權(quán) 大學可以將本學位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復制手段保存和匯編本學位論文。 1 個性化推薦系統(tǒng)綜述 7 協(xié)同過濾推薦綜述 8 興趣數(shù)據(jù)的收集與處理 11 協(xié)同過濾推薦的特性分析 28 最近鄰體積的影響 Web 數(shù)據(jù)挖掘能從 Web 服務器上大量的數(shù)據(jù)中提取初原來不知道的但有用的信息和規(guī)律。 在這種背景下，推薦系統(tǒng) (Remender Systems)應運而生，它是根據(jù)用戶的特征，比如興趣愛好，推薦滿足用戶要求的對象，也稱個性化推薦系統(tǒng) (Personalized Remender Systems)。 Webert， Personal Web Watcher， Fab 等；部分大型 網(wǎng)站也推出了個性化服務，如 Yahoo!， CNN 等 [10]。 推薦方法是整個推薦系統(tǒng)中最核心、最關(guān)鍵的部分，很大程度上決定了推薦系統(tǒng)性能的優(yōu)劣?；趦?nèi)容的用戶資料是需要有用戶的歷史數(shù)據(jù)，用戶資料模型可能隨著用戶的偏好改變而發(fā)生變化?；谛в猛扑]的好處是它能把非產(chǎn)品的屬性，如提供商的可靠性 (Vendor Reliability)和產(chǎn)品的可 用 性 (Product Availability)等 考慮到效用計算中。 在組合方式上，有研究人員提出了七種組合思路 [11]： (1)加權(quán) (Weight)：加權(quán)多種推薦技術(shù)結(jié)果 ； (2)變換 (Switch)：根據(jù)問題背景和實際情況或要求決定變換采用不同的推薦技術(shù) ； (3)混合 (Mixed)：同時采用多種推薦技術(shù)給出多種推薦結(jié)果為用戶提供參考 ； (4)特征組合 (Feature bination)：組合來自不同推薦數(shù)據(jù)源的特征被另一種推薦算法所采用 ； (5)層疊 (Cascade)：先用一種推薦技術(shù)產(chǎn)生一種粗糙的推薦結(jié)果，第二種推薦技術(shù)在此推薦結(jié)果的基礎(chǔ)上進一步作出更精確的推薦 ； (6)特征擴充 (Feature augmentation)：一種 技術(shù)產(chǎn)生附加的特征信息嵌入到另一種推薦技術(shù)的特征輸入中 ； (7)元級別 (Metalevel)：用一種推薦方法產(chǎn)生的模型作為另一種推薦方法的輸入。最后，通過推薦模塊，實時 地從內(nèi)容集篩選出目標用戶可能會感興趣的內(nèi)容推薦給用戶 ； (4)需要有合適的數(shù)據(jù)集： 除了推薦系統(tǒng)本身，為了實現(xiàn)推薦，還需要一個可供推薦的內(nèi)容 集。在提供實時推薦服務的同時，如何有效提高推薦系統(tǒng)的推薦質(zhì)量，需要做進一步深入的研究。以 客戶顯式或隱式 的 對資源與服務打分的前提，主要學習 研究 了協(xié)同過濾推薦算法的原理， 實現(xiàn)了協(xié)同過濾推薦的兩大傳統(tǒng)算法 ―― 基于用戶和基于資源項的協(xié)同過濾推薦，根據(jù) Daniel Lemire 教授在 20xx 年提出的 Slope One 算法思想，給出了自己的實現(xiàn)。詳細介紹了性能測試的環(huán)境，方法以及測試的標準，詳細介紹了試驗的過程 ，并對 試驗 結(jié)果進行了詳細的分析 。協(xié)同過濾的核心問題是尋找與目標用戶興趣相近的一組用戶。比如一個大型網(wǎng)上書店，可能出售的書籍數(shù)量也就在幾十萬上下，而用戶數(shù)量就可能達到幾百萬。用戶評分數(shù)據(jù)如 表 所示 。這種方法不需要用戶直接輸入評價數(shù)據(jù)，而是根據(jù)用戶的行為特征由系統(tǒng)代替用戶完成評價。數(shù)據(jù)清洗包括空值處理、噪聲數(shù)據(jù)處理以及不一致數(shù)據(jù)處理等。 3. 數(shù)據(jù)變換與規(guī)約 數(shù)據(jù)變換要求做到三個方面：一是將連續(xù)的數(shù)據(jù)屬性離散化 成 若干個區(qū)間；二基于客戶資料挖掘的電子商務網(wǎng)站的設(shè)計與實現(xiàn) 第二章 協(xié)同過濾推薦系統(tǒng) 10 是新建變量，在很多情況下需要從原始數(shù)據(jù)中生成一些新的變量作為預測 變量；三是格式變換，規(guī)范化數(shù)據(jù)格式。圖 已經(jīng)詳述了這個過程，在這里矩陣的行表示用戶而列則表示項目。 基于用戶的協(xié)同過濾算法和基于項目為基礎(chǔ)的協(xié)同過濾算法一個根本區(qū)別是，以用戶為基礎(chǔ)的協(xié)同過濾計算的是矩陣中行之間的相 似度，而基于用戶的則是計算矩陣中列之間的相似度，在兩項都評分的集合中每一對都是關(guān)聯(lián)到不同的用戶。正式的形式是，可以將推斷 ,uiP 表示為： , ,( * )( | |)i N u Na l l s i m i l a r i t e m s Nui iNa l l s i m i l a r i t e m s NSRPS????? ?? 公式 () 基本上，這種做法試圖捕捉那些活躍的用戶在類似項目項目中是如何評分的。 有了最近鄰集合，就可以對目標用戶的興趣進行預測，生成推薦結(jié)果。如果你曾經(jīng)購買過關(guān)聯(lián)規(guī)則左邊的商品，而沒有購買過關(guān)聯(lián)規(guī)則右邊的商品，那么就把右邊的這個商品推薦給你。 (2)數(shù)據(jù)稀疏問題 ： 不論是第一代的基于用戶方法，還是第二代的基于 資源項 方法，都不可避免的遇到數(shù)據(jù)稀疏的問題 [8]。 基于客戶資料挖掘的電子商務網(wǎng)站的設(shè)計與實現(xiàn) 第三章 協(xié)同過濾推薦系統(tǒng)設(shè)計 14 第三章 協(xié)同過濾推薦系統(tǒng)設(shè)計 協(xié)同過濾推薦系統(tǒng) 的總體設(shè)計 基于前幾章節(jié)對 協(xié)同過濾 技術(shù)的研究 和 分析，提出 基于客戶和基于資源項的 設(shè)計 方案 。最后讀取的數(shù)據(jù)集 來 分析 各種算法的性能 。所以為了避免數(shù)據(jù)操作的沖突，采用了創(chuàng)建型設(shè)計模式中的單例模式對用戶類進行了封裝。為了便于從數(shù)據(jù)庫或數(shù)據(jù)文件中處理用戶偏好，本結(jié)構(gòu)還使用了一個偏好鏈表。 然后 Pearson