1. 研究目的与意义及国内外研究现状

目的： 目的：

本课题主要是通过个性化推荐技术和系统平台应用的结合实现基于考研志愿平台的志愿推荐，其中在数据预处理方面也参考数据过滤和挖掘的相关方法。主要部分如下：

1.阐述个性化推荐的概念及具体实现算法，结合数据挖掘的信息增益率和聚类的概念作深入分析。

2. 研究的基本内容

本课题主要研究基于用户的协同过滤算法和基于内容的过滤推荐算法。基于用户的协同过滤算法是利用目标用户群对项目的评分判断目标用户对项目的评分,可以为用户推荐其可能感兴趣的项目。它主要依赖用户对项目的评分,当新来项目或者新来用户时,由于没有任何历史记录,会出现数据稀疏的问题，所以在考研志愿个性化推荐系统中引进基于内容的过滤推荐算法来完成考生对未评分项目的评分预测,然后再利用协同过滤推荐完成志愿的推荐。在此研究基础上提出用混合推荐算法和聚类技术来改进推荐算法，尽量提高推荐算法的效率和精确率。

对考研志愿数据的预处理，包括信息采集，数据处理和数据转换。数据有两方面来源,一方面是高校数据,主要包括高校基本信息,历年学生最高分、最低分以及平均分,高校所在城市信息和专业信息等。另一方面是考生数据,主要包括考生基本信息以及兴趣爱好信息等。在对调查回收的无效数据进行筛选清除后,通过简单的单因素分析和多因素的交叉分析,将结果用图形形象化地展示。另外，将多样的数据形式进行转化，统一成利于数据挖掘来研究个性化推荐的分析格式。

结合考研志愿实例分析推荐算法:（1）构建考生兴趣模型，根据各属性所占权重提取特征向量，基于志愿内容产生推荐。（2）构建院校指标体系，确定各级指标权重，确定高校及专业样本数据集，基于协同过滤产生推荐。

3. 实施方案、进度安排及预期效果

实行方案：

利用基于用户的协同过滤推荐算法的主要原理为考生推荐合适的专业，利用基于内容的推荐算法原理为考生推荐合适的院校。在协同过滤推荐中,查找邻居项并提高查找的准确率为推荐算法的核心内容,。但是协同过滤推荐会面临数据稀疏性问题,当新志愿项出现时,由于没有任何历史数据而得不到推荐,因此利用基于内容的过滤推荐,通过建立用户兴趣模型和项目特征向量,通过比较两者的相似度,为新来志愿项评分预测。利用收集的数据完成考研数据建模，结合上述推荐算法进行实验分析。

课题进度：

4. 参考文献

1. 严卫.模糊聚类挖掘技术研究及其在高考志愿填报服务中的应用[d].长沙:中南大学2009.

2. wang g r. extending xml schema with object-oriented features [j]. information technology, 2005(4):45-49.

3. 许海玲,吴潇,李晓东,阎保平.互联网推荐系统比较研究[j].软件学报,2009, 2’20(2):350-362.

   剩余内容已隐藏，您需要先支付 5元 才能查看该篇文章全部内容！立即支付