学位论文 > 优秀研究生学位论文题录展示

网络个性化推荐模型研究

作　者: 叶海琴
导　师: 石磊
学　校: 郑州大学
专　业: 计算机应用技术
关键词: Markov模型个性化推荐 Web缓存 Web预取序列模式
分类号: TP393.02
类　型: 硕士论文
年　份: 2007年
下　载: 207次
引　用: 2次
阅　读: 论文下载

内容摘要

随着Internet的快速发展和Web信息的日益增长，个性化推荐服务越来越受到用户青睐。作为个性化推荐的核心技术，预测模型得到了广泛关注，并成为一个具有挑战性的研究课题。对预测模型进行深入研究，对减小用户的感知延时、处理亟待解决的信息过载问题，具有重要的理论意义和实用价值。本文提出了一种新的混合阶Markov预测模型，对该模型进行了实验，并对实验结果进行了分析。首先介绍了Internet发展概况和WWW工作机制，分析了个性化服务的必要性。讨论了个性化推荐技术基础，包括序列模式相关知识和预取技术的基本概念、预取系统的分类以及现有预测算法。接着阐述了个性化推荐技术的基本概念与国内外研究现状。然后，总结了现有的替换算法以及个性化推荐性能评价指标，详细地讨论了Web缓存系统中命中率与字节命中率之间的关系，并在此基础上提出了一种新的Web缓存性能评价指标，讨论了该指标在Web缓存替换算法及Web预取性能评价中的应用，从而为度量缓存系统的性能提供参考依据。最后，在分析讨论了Markov模型、传统Markov模型以及混合阶Markov模型之后，提出了一种新的混合阶Markov模型，将前缀相同的序列共享存储，降低了状态空间复杂度。实验表明，该模型在一定程度上提高了预测准确率，查全率也有所提升。

全文目录

摘要  3-4
Abstract  4-5
目录  5-8
图目录  8-9
表目录  9-10
第一章绪论  10-17
  1.1 Internet概况  10-13
    1.1.1 因特网发展现状  10-11
    1.1.2 WWW工作机制  11-12
    1.1.3 搜索引擎面临的问题  12-13
  1.2 课题的研究背景  13-15
  1.3 研究内容  15
  1.4 论文组织  15-17
第二章个性化推荐技术基础  17-31
  2.1 序列模式  17-19
    2.1.1 序列模式简介  17-18
    2.1.2 序列模式挖掘的特点  18-19
    2.1.3 序列模式挖掘算法  19
  2.2 Web预取技术  19-24
    2.2.1 空间局部性  19-20
    2.2.2 预取概述  20
    2.2.3 预取分类  20-22
    2.2.4 预取算法  22-24
  2.3 个性化推荐技术  24-30
    2.3.1 国内外研究现状  24-25
    2.3.2 个性化定义  25-26
    2.3.3 推荐与个性化推荐  26-27
    2.3.4 个性化推荐与Web使用挖掘  27-28
    2.3.5 基于行为的兴趣研究及个性化推荐  28-30
  2.4 本章小结  30-31
第三章个性化推荐性能指标研究  31-44
  3.1 Web缓存技术概述  31-32
  3.2 请求流时间局部性特征  32
  3.3 Web缓存替换算法  32-34
  3.4 Web缓存与传统缓存的区别  34-35
  3.5 性能指标  35-38
    3.5.1 吞吐量  35
    3.5.2 命中率与字节命中率  35-36
    3.5.3 文档分组(packet)命中率  36
    3.5.4 平均访问延迟与空间利用率  36
    3.5.5 准确率与查全率  36-37
    3.5.6 PRS  37
    3.5.7 延迟时间  37
    3.5.8 流量开销  37-38
  3.6 命中率与字节命中率的关系  38-43
    3.6.1 有限缓存命中率与字节命中率之间的关系  38-39
    3.6.2 无限缓存里命中率与字节命中率之间的关系  39-40
    3.6.3 实验  40-43
  3.7 本章小结  43-44
第四章基于Web访问行为的个性化推荐模型研究  44-60
  4.1 Markov模型概述  44-45
  4.2 传统Markov模型  45-46
  4.3 混合阶Markov模型  46-59
    4.3.1 HTMM模型  46
    4.3.2 基于网络访问行为的混合阶Markov预测模型  46-53
    4.3.3 实验  53-59
      4.3.3.1 精度投票方法  53-54
      4.3.3.2 实验结果及分析  54-59
  4.4 本章小结  59-60
第五章结论与展望  60-61
  5.1 结论  60
  5.2 进一步的工作  60-61
致谢  61-62
参考文献  62-67
附录1 攻读硕士期间发表学术论文  67

相似论文

Web使用挖掘与网页个性化服务推荐研究,TP311.13
基于兴趣度的Web日志用户访问序列模式挖掘,TP311.13
面向用户偏好的MADM方法在个性化推荐中的应用,G353.1
基于Web挖掘技术研究及其在数字图书馆中的应用,G250.76
城际列车自动驾驶系统（ATO）的研究,U284.48
基于社会化标签体系的个性化推荐引擎技术研究,TP391.3
JPEG图像重压缩检测及篡改定位,TP391.41
商品热销度分析与展示,TP391.3
云计算背景下基于FPGA的文件管理系统与Web缓存的紧耦合研究与分析,TP333
基于Agent元搜索引擎的个性化研究,TP391.3
基于隐私保护的多步攻击关联方法研究,TP311.13
基于用户兴趣和浏览行为的个性化推荐技术研究,TP391.3
改进的聚类挖掘算法对网络自助出版“长尾”文本的推荐应用,TP311.13
高性能网络社区的设计与实现,TP311.52
基于RS&GIS的县域生态系统服务价值及其动态变化研究,P208;P237
Web挖掘技术在远程教学系统中的应用,TP391.6
基于双信息源的协同过滤算法及其应用研究,TP301.6
DNA序列的最大频繁模式挖掘,TP311.13
基于协同过滤的电子商务个性化推荐算法研究,F713.36
基于WEB挖掘的E-learning环境下的个性化教学平台研究,TP391.6
基于Web数据挖掘的智能推荐研究,TP391.3