基于地理位置的个性化新闻推荐系统设计与实现
这是一篇关于Apache Flink,个性化新闻推荐,地理位置,冷启动的论文, 主要内容为新闻作为人们获取信息的一种重要手段,在推荐系统领域是一个研究热点。一个好的新闻推荐系统会吸引大量的用户,并且不同用户在不同地点的阅读需求是不同的,将地理位置这一因素加入到推荐系统中,可以使新闻推荐系统更有价值。基于此,本文设计了一种基于地理位置的个性化新闻推荐系统,本文的主要工作如下:(1)本文基于Flink分布式流式计算引擎,结合地理位置上下文信息,设计并实现了基于地理位置的个性化新闻推荐系统。本系统具有Web服务功能、基于地理位置的个性化新闻推荐功能和数据处理和存储三个功能。数据处理和存储功能采用Redis、Elastic Search、HDFS等存储介质对推荐过程中产生的中间产物和结果进行存储;基于地理位置的个性化新闻推荐功能为用户提供相关新闻推荐服务、个性化推荐服务以及基于地理位置的热门推荐服务;Web服务为用户提供基本的注册登录功能,同时将新闻推荐结果列表渲染后进行展示,供用户阅览点击,满足用户的基本需求。系统中涉及到的分布式存储和分布式计算引擎,都具有很好地集群扩展能力,并且分布式集群都设置为主从模式,使系统具有良好的稳定性。(2)由于地理位置因素的引入,本系统主要解决了两个问题,分别为地理位置冷启动和基于地理位置的热门召回。地理位置冷启动借鉴协同过滤算法,若地理位置相似,则处于两个位置处的用户阅读偏好应当相似。对用户之前去过的地方进行聚类,得到每个聚类簇的标签列表,紧接着对用户目前所处的位置与聚类簇的中心点进行计算,判断用户所处于哪一个聚类簇,将该聚类簇中的标签与新闻进行匹配;基于地理位置的热门召回实时地统计该地理位置处的热门新闻。通过对两个功能进行测试,证实两者皆能提升推荐系统的点击量,同时冷启动还可以为系统吸引更多的新用户。
基于用户位置分布的个性化推荐算法研究及系统实现
这是一篇关于推荐系统,地理位置,用户分布,用户偏好,协同过滤的论文, 主要内容为协同过滤作为电子商务发展至今应用最为广泛的个性化推荐算法之一,不仅为用户选择符合自身喜好的物品节省了许多时间与精力,还极大地提高了电商平台和卖家的经济利益。但是一方面现在个性化推荐系统仍旧存在很多问题亟待解决,例如数据的稀疏性、新用户或新商品的冷启动、推荐的准确性和多样性等问题。数据的稀疏性、新用户的冷启动、推荐的准确性和多样性等问题。另一方面,电子商务网站积累了大量用户行为的时间和空间的数据,但协同过滤等算法却并没有充分考虑到这些信息带来的影响,使得推荐结果的准确率无法得到更进一步的提升。本文考虑了物品用户位置分布的特征对物品相似性的影响,提出了改进的协同过滤算法。通过实验表明,该算法能够为用户产生精度更高的推荐列表的同时,推荐物品的多样性也有着优异的表现。我们的研究不但证明商品的用户分布特征也是协同过滤算法中应当考虑的度量商品相似性的一个重要因素,而且为电商平台如何有效地如何利用用户位置信息来提高推荐算法精度提供了有价值的思路。具体主要研究工作如下:(1)基于真实商品的用户分布进行分析,通过对比不同商品用户分布的差异性,总结和归纳其内在的规律并尝试性地探讨了这种差异性的可能产生的机理。在不同的地理位置环境下,用户有着不同的行为方式和偏好,这种偏好的差异会影响不同商品的用户分布规律,合理利用这一规律有助于理解用户偏好差异的产生机制并为高精度推荐算法的研究提供有效的思路。(2)为了研究商品位置分布的差异性对推荐算法精度的影响,本文提出距离分布系数这个指标来描述用户位置分布情况,并将这个指标作为表征物品的一个特殊属性。通过距离分布系数计算得出距离相似度之后,借助一个平衡因子融合评分信息计算得到混合相似度。在混合相似度的基础上,根据用户所处的位置利用K-Means算法将用户划分到不同的区域,然后在各区域利用协同过滤算法进行推荐,最后通过一个权值对所有获得的推荐列表进行加权,得到最终的推荐列表。通过在多个真实数据集上进行实验对比显示,本文所提出算法能有效的提高推荐的准确度和多样性。(3)通过对试验数据集的补充和完善,以及对用户位置信息的融合,我们设计了一个电影推荐系统,并将我们的算法应用到了该系统中。我们所设计的系统有几大特征,首先该系统能够利用新用户的地理位置产生推荐列表,从而缓解了新用户冷启动的问题;此外,系统所采用的推荐算法能够融合物品的空间分布特征和用户的位置信息,从而实现了更高精度的推荐。这些特征表明该电影推荐系统能够在有效提升用户体验的同时,也有较强的推广和应用价值。
电商情境下个性化推荐解释对消费者采纳意愿的影响研究
这是一篇关于个性化推荐系统,推荐解释,解释水平,地理位置,采纳意愿,实验法的论文, 主要内容为个性化推荐通过向用户提供匹配他们偏好的内容,在消费者满意度、消费者忠诚度的提高上为企业带来巨大的利益。随着个性化推荐系统被越来越多的应用于与消费者生活相关的各种场景,个性化推荐也逐渐显示了一些弊端。算法的不透明度导致了消费者与系统之间的信息不对称性,让消费在不知不觉中被算法利用“杀熟”。消费者需要知道自己的数据被用于什么样的目的,需要系统在为其推荐时进行解释。本文聚焦于个性化推荐系统中的推荐解释,将推荐解释视为一种说服性信息,探究移动电商的情境下,不同的推荐解释对于消费者采纳意愿的影响。通过对文献的梳理发现,在推荐解释的相关文献中,鲜少关于消费者关于推荐解释的心理机制的探究。并且在何种推荐解释方式更有效的问题上存在着一定的争议。接着,基于对生活中个性化推荐解释的应用情况进行观察,发现个性化推荐系统中地理位置信息呈现上的缺乏。因此,本文基于解释水平理论,探讨消费者对于不同的推荐解释方式的解释水平感知,进而影响他们的采纳意愿。同时探讨地理位置信息在其中间的调节作用,为商家和平台提供一个更好的推荐解释方式,提高消费者对于平台推荐的采纳。本文基于解释水平理论提出了“推荐解释方式-解释水平-采纳意愿”的研究框架,并通过实验1(N=178)和实验2(N=202)的假设进行了验证。具体而言,实验1验证了不同的推荐解释方式对于消费者采纳意愿的影响。实验2在实验1的基础上改进了实验材料,并更换了推荐产品,验证了解释水平的中介效应,同时还探讨了地理位置信息对于解释水平,我们还进一步发现了地理位置信息对于消费者采纳意愿的调节效应。由此,本文得出四个结论:第一,在移动电商的情境下,基于产品的推荐解释方式下消费者的采纳意愿更高;第二,解释水平在推荐解释方式对消费者采纳意愿影响中起中介作用;第三,地理位置信息调节了推荐解释方式对于解释水平的影响,基于用户的推荐解释方式下消费者的解释水平感知有显著的下降;第四,本文在实验中还发现了地理位置信息对于消费采纳意愿的调节作用,即地理位置信息显著地提高了基于用户的推荐解释下消费者的采纳意愿。综上,本研究关注到推荐解释作为一种营销说服性信息,从消费者心理表征的角度探明了推荐解释方式对于消费者采纳意愿的影响。并且还着重关注了在移动电商中地理位置信息的作用。理论方面,有助于补充地理位置信息与推荐解释结合的研究空白,具有创新性。实践方面,为平台推荐提供了一种新的有效的推荐解释方式,达到让消费者采纳更多推荐商品,对平台感到满意的目的,具有研究意义。
基于社交关系和地理位置的兴趣点推荐系统设计与实现
这是一篇关于兴趣点,社交网络,地理位置,推荐系统,大数据的论文, 主要内容为随着移动定位技术的不断发展和社交网络的日益发达,结合地理位置的社交软件也越来越多。这其中就有着巨大的技术发展空间和商业发展前景。各种关于兴趣点推荐的算法研究成为了推荐领域的一个热门方向,同时,由于涉及海量数据的处理,各种大数据技术和推荐架构也在系统工程中得到了充分实践。如何提高推荐算法的准确率,同时设计出合理高效稳定的推荐架构,就成为了一个结合了智能算法和工程实践并且也有着强烈现实意义和需求的优良课题。以下为本文的主要工作:(1)结合用户的社交关系信息和地理位置信息,综合分析了用户之间的多种相似度以及用户活动区域的行为密集度,采用推荐领域传统的协同过滤算法模型和地理位置信息特征构建起离线训练模型与实时特征数据相结合的方案,设计出了本文的兴趣点推荐算法模型,并在真实数据集上进行了算法实验,证明了算法的有效性。(2)设计出了一个具有数据存储和预处理模块,离线推荐模型训练模块,在线推荐模型训练模块,用户交互模块一共四大模块的兴趣点推荐架构,可以从服务器中拉取请求和日志,进行数据清洗后保存在分布式存储系统并在计算平台上进行模型训练,实时获取用户位于某一地点的推荐请求,结合离线模型训练得到在线模型,根据模型得出推荐列表后在前端展示给用户。(3)实现了在本地物理机上的系统部署,对系统进行了功能性测试和性能测试,证明系统的功能性实现完好,性能稳定性良好。本文采用了软件工程化的方法对整体系统从需求分析,概要设计,详细设计,实现与测试等方面进行了详细描述,图例丰富,表格完备。最后本文提出了系统未来的改进方向。
基于社交关系和地理位置的兴趣点推荐系统设计与实现
这是一篇关于兴趣点,社交网络,地理位置,推荐系统,大数据的论文, 主要内容为随着移动定位技术的不断发展和社交网络的日益发达,结合地理位置的社交软件也越来越多。这其中就有着巨大的技术发展空间和商业发展前景。各种关于兴趣点推荐的算法研究成为了推荐领域的一个热门方向,同时,由于涉及海量数据的处理,各种大数据技术和推荐架构也在系统工程中得到了充分实践。如何提高推荐算法的准确率,同时设计出合理高效稳定的推荐架构,就成为了一个结合了智能算法和工程实践并且也有着强烈现实意义和需求的优良课题。以下为本文的主要工作:(1)结合用户的社交关系信息和地理位置信息,综合分析了用户之间的多种相似度以及用户活动区域的行为密集度,采用推荐领域传统的协同过滤算法模型和地理位置信息特征构建起离线训练模型与实时特征数据相结合的方案,设计出了本文的兴趣点推荐算法模型,并在真实数据集上进行了算法实验,证明了算法的有效性。(2)设计出了一个具有数据存储和预处理模块,离线推荐模型训练模块,在线推荐模型训练模块,用户交互模块一共四大模块的兴趣点推荐架构,可以从服务器中拉取请求和日志,进行数据清洗后保存在分布式存储系统并在计算平台上进行模型训练,实时获取用户位于某一地点的推荐请求,结合离线模型训练得到在线模型,根据模型得出推荐列表后在前端展示给用户。(3)实现了在本地物理机上的系统部署,对系统进行了功能性测试和性能测试,证明系统的功能性实现完好,性能稳定性良好。本文采用了软件工程化的方法对整体系统从需求分析,概要设计,详细设计,实现与测试等方面进行了详细描述,图例丰富,表格完备。最后本文提出了系统未来的改进方向。
基于用户位置分布的个性化推荐算法研究及系统实现
这是一篇关于推荐系统,地理位置,用户分布,用户偏好,协同过滤的论文, 主要内容为协同过滤作为电子商务发展至今应用最为广泛的个性化推荐算法之一,不仅为用户选择符合自身喜好的物品节省了许多时间与精力,还极大地提高了电商平台和卖家的经济利益。但是一方面现在个性化推荐系统仍旧存在很多问题亟待解决,例如数据的稀疏性、新用户或新商品的冷启动、推荐的准确性和多样性等问题。数据的稀疏性、新用户的冷启动、推荐的准确性和多样性等问题。另一方面,电子商务网站积累了大量用户行为的时间和空间的数据,但协同过滤等算法却并没有充分考虑到这些信息带来的影响,使得推荐结果的准确率无法得到更进一步的提升。本文考虑了物品用户位置分布的特征对物品相似性的影响,提出了改进的协同过滤算法。通过实验表明,该算法能够为用户产生精度更高的推荐列表的同时,推荐物品的多样性也有着优异的表现。我们的研究不但证明商品的用户分布特征也是协同过滤算法中应当考虑的度量商品相似性的一个重要因素,而且为电商平台如何有效地如何利用用户位置信息来提高推荐算法精度提供了有价值的思路。具体主要研究工作如下:(1)基于真实商品的用户分布进行分析,通过对比不同商品用户分布的差异性,总结和归纳其内在的规律并尝试性地探讨了这种差异性的可能产生的机理。在不同的地理位置环境下,用户有着不同的行为方式和偏好,这种偏好的差异会影响不同商品的用户分布规律,合理利用这一规律有助于理解用户偏好差异的产生机制并为高精度推荐算法的研究提供有效的思路。(2)为了研究商品位置分布的差异性对推荐算法精度的影响,本文提出距离分布系数这个指标来描述用户位置分布情况,并将这个指标作为表征物品的一个特殊属性。通过距离分布系数计算得出距离相似度之后,借助一个平衡因子融合评分信息计算得到混合相似度。在混合相似度的基础上,根据用户所处的位置利用K-Means算法将用户划分到不同的区域,然后在各区域利用协同过滤算法进行推荐,最后通过一个权值对所有获得的推荐列表进行加权,得到最终的推荐列表。通过在多个真实数据集上进行实验对比显示,本文所提出算法能有效的提高推荐的准确度和多样性。(3)通过对试验数据集的补充和完善,以及对用户位置信息的融合,我们设计了一个电影推荐系统,并将我们的算法应用到了该系统中。我们所设计的系统有几大特征,首先该系统能够利用新用户的地理位置产生推荐列表,从而缓解了新用户冷启动的问题;此外,系统所采用的推荐算法能够融合物品的空间分布特征和用户的位置信息,从而实现了更高精度的推荐。这些特征表明该电影推荐系统能够在有效提升用户体验的同时,也有较强的推广和应用价值。
地理位置敏感的个性化消息推荐系统设计与实现
这是一篇关于地理位置,Android,SSH,推荐,个性化的论文, 主要内容为随着智能机的出现，基于Android平台的App汹涌出现，目前国内外各大互联网公司都开发了基于Android的客户端。2012年1月，安卓市场已有10万开发者推出超过40万活跃的应用，而且大部分都是免费。 面对大量数据，及掺杂垃圾数据的同时，我们很难找到自己感兴趣的信息。我们需要实时的、准确的数据推送。基于这个局面，笔者提出开发基于地理位置敏感的个性化消息推荐系统，满足用户的需求。 本文介绍地理位置敏感的个性化消息推荐系统，系统名称为“轨迹”。总结了Android平台上相关应用的发展状况、背景与意义；介绍了系统的开发技术与开发环境；对系统进行了需求分析、概要设计、详细设计、系统实现阐述。本系统采用了J2EE SSH框架技术实现后台服务器，包含新鲜地点（实时、热度、推荐）、我的主页（动态、心情、相册）、将精彩的地点、实时天气、排行榜、关注、粉丝、找人、设置等9大模块，并使用了百度地图API解析定位信息；在基于Android的客户端上，结合HtmlParser爬虫技术，完整设计并实现其与服务器的各个模块间的交互。该系统目前在测试阶段，希望尽快投入使用。
基于用户位置分布的个性化推荐算法研究及系统实现
这是一篇关于推荐系统,地理位置,用户分布,用户偏好,协同过滤的论文, 主要内容为协同过滤作为电子商务发展至今应用最为广泛的个性化推荐算法之一,不仅为用户选择符合自身喜好的物品节省了许多时间与精力,还极大地提高了电商平台和卖家的经济利益。但是一方面现在个性化推荐系统仍旧存在很多问题亟待解决,例如数据的稀疏性、新用户或新商品的冷启动、推荐的准确性和多样性等问题。数据的稀疏性、新用户的冷启动、推荐的准确性和多样性等问题。另一方面,电子商务网站积累了大量用户行为的时间和空间的数据,但协同过滤等算法却并没有充分考虑到这些信息带来的影响,使得推荐结果的准确率无法得到更进一步的提升。本文考虑了物品用户位置分布的特征对物品相似性的影响,提出了改进的协同过滤算法。通过实验表明,该算法能够为用户产生精度更高的推荐列表的同时,推荐物品的多样性也有着优异的表现。我们的研究不但证明商品的用户分布特征也是协同过滤算法中应当考虑的度量商品相似性的一个重要因素,而且为电商平台如何有效地如何利用用户位置信息来提高推荐算法精度提供了有价值的思路。具体主要研究工作如下:(1)基于真实商品的用户分布进行分析,通过对比不同商品用户分布的差异性,总结和归纳其内在的规律并尝试性地探讨了这种差异性的可能产生的机理。在不同的地理位置环境下,用户有着不同的行为方式和偏好,这种偏好的差异会影响不同商品的用户分布规律,合理利用这一规律有助于理解用户偏好差异的产生机制并为高精度推荐算法的研究提供有效的思路。(2)为了研究商品位置分布的差异性对推荐算法精度的影响,本文提出距离分布系数这个指标来描述用户位置分布情况,并将这个指标作为表征物品的一个特殊属性。通过距离分布系数计算得出距离相似度之后,借助一个平衡因子融合评分信息计算得到混合相似度。在混合相似度的基础上,根据用户所处的位置利用K-Means算法将用户划分到不同的区域,然后在各区域利用协同过滤算法进行推荐,最后通过一个权值对所有获得的推荐列表进行加权,得到最终的推荐列表。通过在多个真实数据集上进行实验对比显示,本文所提出算法能有效的提高推荐的准确度和多样性。(3)通过对试验数据集的补充和完善,以及对用户位置信息的融合,我们设计了一个电影推荐系统,并将我们的算法应用到了该系统中。我们所设计的系统有几大特征,首先该系统能够利用新用户的地理位置产生推荐列表,从而缓解了新用户冷启动的问题;此外,系统所采用的推荐算法能够融合物品的空间分布特征和用户的位置信息,从而实现了更高精度的推荐。这些特征表明该电影推荐系统能够在有效提升用户体验的同时,也有较强的推广和应用价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设工厂 ，原文地址：https://m.bishedaima.com/lunwen/53072.html
