【正文】 [10]。 MovieLens 是一個基于 Web 的推薦，系統(tǒng)通過瀏覽器方式進行用戶評分?jǐn)?shù)據(jù)收集與推薦結(jié)果顯示，用戶使用更方便。由于基于項目協(xié)同 過濾推薦算法高度的關(guān)聯(lián)性，推薦質(zhì)量也比較高 [9]。根據(jù)用戶己購買和己評分項目尋找相似項目的計算較快，它只依賴于用戶已購買和已評分的項目數(shù)量，采用在線方式進行。 Gery Linden， Brent Smith和 Jeremy York主導(dǎo)開發(fā)的 集研究與應(yīng)用于一體的推薦系統(tǒng)， 采用項目 項目協(xié)同 過濾算法，根據(jù)用戶己購買和己評分項目尋找相似項目，將相似度高的項目列入到推薦列表中。 Kuo R J, Liao J L和 Tu C提出了一個利用神經(jīng)網(wǎng)絡(luò)和遺傳 Kmeans 算法通過分析用戶在電子商務(wù)網(wǎng)站的瀏覽路徑來獲取用戶偏好的方法。在推薦算法方面，協(xié)同過濾是應(yīng)用最廣泛的個 性化推薦技術(shù)。個性化智能推薦服務(wù)不僅可以幫助用戶找到所需信息，而且通過個性化智能推薦服務(wù)，可以有效保留用戶，提高信息系統(tǒng)的吸引力和用戶的忠誠度 [3]。另外，用戶每次獲取信息，都要輸入大量、煩瑣的檢索條件，而信息系統(tǒng)不能通過服務(wù)歷史和服務(wù)過程掌握用戶需求，信息系統(tǒng)不能產(chǎn)生對用戶持久的吸引力。 面對網(wǎng)絡(luò)信息量呈指數(shù)增長，如何從這浩瀚的海洋中取得所需要的 、真正有用的信息， 已成為廣大網(wǎng)絡(luò)用戶共同面臨的問題。 隨著信息技術(shù)特別是網(wǎng)絡(luò)技術(shù)的發(fā)展，信息系統(tǒng)的規(guī)模越來越大，數(shù)量越來越多，信息獲取的工具和方法越來豐富，在更方便的為用戶提供越來越多信息和服務(wù)的同時，其結(jié)構(gòu)和內(nèi)容越來越復(fù)雜，在海量信息中，用戶及時、準(zhǔn)確地獲得所需要的信息也更加困難 [1]。t perfected or improved through the process of interaction with users. In view of the above problems, this paper proposed a remendation method based on knowledge base for gift remendation. 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 interface in order to supply good user experience， and Lucene, the fulltext search engine toolkit is also used to construct index for the gifts information and design personalized search function in accordance with the user39。第七章是 工作總結(jié)和進一步的展望。第五章詳細(xì)描述了系統(tǒng)實現(xiàn)中的關(guān)鍵問題和解決方案。第三章描述了系統(tǒng)的需求分析，包括任務(wù)概述、需求規(guī)定以及運行環(huán)境的規(guī)定。 本文第一章介紹了推薦系統(tǒng)的研究背景和國內(nèi)外的研究現(xiàn)狀以及本文的研究路線方法和研究內(nèi)容。首先在調(diào)研了禮品信息和禮品贈送知識后構(gòu)建禮品知識庫，然后禮品專家通過人工方式對禮品知識庫進行初始化，最后系統(tǒng)根據(jù)禮品的基本信息計算出禮品綜合相似度對禮品知識庫進一步完善。推薦技術(shù)包括協(xié)同過濾、內(nèi)容過濾、知識發(fā)現(xiàn)等，但是這些推薦技術(shù)并沒有考慮推薦領(lǐng)域的知識對推薦結(jié)果的影響，或者推薦結(jié)果沒有通過與用戶的交互過程中得到完善和改進。（保密的學(xué)位論文在解密后遵守此規(guī)定） 非保密論文注釋：本學(xué)位論文不屬于保密范圍，適用本授權(quán)書。 本人簽名： 日期： 關(guān)于論文使用授權(quán)的說明 學(xué)位論文作者完全了解北京郵電大學(xué)有關(guān)保留和使用學(xué)位論文的規(guī)定，即：研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)權(quán)單位屬北京郵電大學(xué)。與我一同工作的同志對本研究所做的任何貢獻均已在論文中作了明確的說明并表示了謝意。 碩士研究生學(xué)位論文 題目： 基于知識庫 的 禮品推薦系統(tǒng)的設(shè)計與實現(xiàn) 學(xué) 號： 085707 姓 名： 路衛(wèi)杰 專 業(yè)： 計算機科學(xué)與技術(shù) 導(dǎo) 師： 孟祥武 學(xué) 院： 計算機 學(xué)院 年 月 日 北京郵電大學(xué)碩士研究 生畢業(yè)論文 聲明 II 獨創(chuàng)性（或創(chuàng)新性）聲明 本人聲明所呈交的論文是本人在導(dǎo)師指導(dǎo)下進行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā) 表或撰寫過的研究成果，也不包含為獲得北京郵電大學(xué)或其他教育機構(gòu)的學(xué)位或證書而使用過的材料。 申請學(xué)位論文與資料若有不實之處，本人承擔(dān)一切相關(guān)責(zé)任。學(xué)校有權(quán)保留并向國家 有關(guān)部門或機構(gòu)送交論文的復(fù)印件和磁盤，允許學(xué)位論文被查閱和借閱；學(xué)校可以公布學(xué)位論文的全部或部分內(nèi)容，可以允許采用影印、縮印或其它復(fù)制手段保存、匯編學(xué)位論文。 本人簽名： 日期： 導(dǎo)師簽名： 日期： 北京郵電大學(xué)碩士研究生畢業(yè)論文 中文摘要 III 基于知識庫推理的禮品推薦系統(tǒng)的設(shè)計與實現(xiàn) 摘 要 當(dāng)今，個性化推薦系統(tǒng)已經(jīng)在很多領(lǐng)域得到了應(yīng)用，如網(wǎng)絡(luò)商品推薦、音樂推薦、影視推薦等。 鑒于以上問題，本文針對禮品推薦領(lǐng)域提出了基于知識庫的推薦方法。本文采用 AJAX 等技術(shù)設(shè) 計并實現(xiàn)具有良好用戶體驗的知識庫推薦用戶接口，采用全文檢索引擎工具包 Lucene 對禮品信息構(gòu)建索引并根據(jù)用戶的日志設(shè)計個性化的禮品搜索功能。第二章介紹了主要的推薦算法和本系統(tǒng)所涉及的關(guān)鍵技術(shù)。第四章闡述了系統(tǒng)設(shè)計，包括系統(tǒng)整體功能設(shè)計和系統(tǒng)整體架構(gòu)設(shè)計。第六章對系統(tǒng)進行功能測試和性能測試。 關(guān)鍵詞： 禮品推薦 知識庫 相似度 個性化 搜索 北京郵電大學(xué)碩士研究生畢業(yè)論文 英文摘要 IV Knowledgebased Gifts Remendation System Design and Implementation ABSTRACT Personalized remendation system has been widely used in many fields, such as work products remendation, music remendation, movie remendation, etc. Remendation techniques include collaborative filtering, content filtering, knowledge discovery, etc. However, these remendations do not consider the influences that the knowledges in remended areas to the results, or the remended results isn39。s log. In Chapter 1, the background of remendation system, the significance of 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 Chapter 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. The last Chapter is a summary of our work and further prospects. KEY WORDS:gifts remendation, knowledge base,similarity, personalized,search 北京郵電大學(xué)碩士研究生畢業(yè)論文 目錄 V 目錄 北京郵電大學(xué)研究生畢業(yè)論文 1 第一章 緒論 研究背景 隨著 互聯(lián)網(wǎng)和電子商務(wù) 的迅速發(fā)展，人類己步入網(wǎng)絡(luò)信息時代。 海量信息的同時呈現(xiàn) ， 一方面使用戶很難從中發(fā)現(xiàn)自己感興趣的部分 ， 另一方面也使得大量少人問津的信息成為網(wǎng)絡(luò)中的“暗信息” ， 無法被一 般用戶獲取 [2]。 首先，由于很難準(zhǔn)確描述出需要的信息的特征，用戶常常會面對大量的信息而束手無策，迷失在大量的信息空間中；其次，信息系統(tǒng) 單純依靠 提供的檢索方式，往往 不能滿足用戶描述檢索條件的需求，找不到描述信息需求的方式。 在這種背景下個性化智能推薦服務(wù)（ Personalized Remender Services）應(yīng)運而生并迅速發(fā)展起來，它通過與用戶交互過程中獲取的信息推測用戶的興趣偏好，并根據(jù)用戶的興趣偏好推薦符合用戶興趣偏好的信息。 研究現(xiàn)狀 國外研究現(xiàn)狀 在 推薦 用戶模型方面，常用的用戶建模技術(shù)有向量空間模型 [4]、用戶評價矩陣 [5]，以及機器學(xué)習(xí)技術(shù) [6]。協(xié)同過濾首先 計算用戶之間的相似度，然后將相似度最高的用戶作為北京郵電大學(xué)研究生畢業(yè)論文 2 最近鄰居， 最后 通過最近 鄰居用戶產(chǎn)生推薦結(jié)果。各種挖掘技術(shù)如關(guān)聯(lián)規(guī)則挖掘、聚類挖掘等被應(yīng)用于 Web 日志的分析中，以提高推薦系統(tǒng)的精度 [7]。通過比較相似項目表與每個用戶已購買和己評分的項目，系統(tǒng)整合比較結(jié)果將關(guān)聯(lián)度最高和最暢銷的項目推薦給用戶。因此，即使是面對大規(guī)模數(shù) 據(jù)集也有較快的運行速度 [8]。 MovieLens是由美國明尼蘇達大學(xué)計算機科學(xué)與工程系 開發(fā)的研究型自動協(xié)同 過濾推薦系統(tǒng)，用于推薦電影 。 用戶對網(wǎng)站提供的電影進行評分，用戶可在 not seen和 11個選項中進行選擇，網(wǎng)站根據(jù)每個用戶的評分計算并分析用戶的偏好，并據(jù)此向用戶進行電影推薦。該系統(tǒng)既是一個個性化推薦研究的實驗平臺，也是 向人們推薦 感興趣電影的應(yīng)用系統(tǒng)，其不定期推出的 用戶評分?jǐn)?shù)據(jù)為世界各國推薦 領(lǐng)域研究人員提供了原始的實驗數(shù)據(jù) [11]。 Ringo 系統(tǒng)可以向用戶推薦他們喜歡的音樂，預(yù)測用戶不喜歡的音樂，也可以預(yù)測用戶對特定音樂的評分。其特點是綜合了基于內(nèi)容過濾的推薦 和 協(xié)同 過濾推薦的優(yōu)點，同時支持兩種類型的推薦服務(wù) 。該平臺采用基于MinHash聚類的協(xié)同 過濾、統(tǒng)計隱含語義標(biāo)引 (Probabilistic Latent Semantic Indexing， PLSI)和訪問計數(shù)三種方法來產(chǎn)生推薦，使用一個線性模型將不同算法產(chǎn)生的推薦結(jié)合起來 [12]。網(wǎng)站從 收禮人信息，送禮場合， 個性化定制，禮品分類等多方面向用戶進行禮品推薦。 浙江大學(xué)的孫小華針 對協(xié)同過濾 在無法得 到