基于数据挖掘的文献自动推荐研究

摘要

随着计算机和网络技术的快速发展，文献资源也在飞速膨胀。而现有的搜索技术往往无法满足用户对文献资源的个性化需要。另一方面，教师在毕业设计过程中需要花费大量的时间为学生们提供参考文献。于是，在毕业设计背景下，文献自动推荐系统应运而生。文献自动推荐正是以用户兴趣特征为导向，分析用户潜在的兴趣偏好，从而对学生用户实现主动而有针对性的信息服务。 然而，传统的推荐方法存在着冷启动、匹配不准确等问题。数据挖掘是从大量的数据中，抽取出潜在的、有价值的知识（模型或规则）的过程。本文正是基于数据挖掘技术，实现毕业设计过程中的文献自动推荐。 本文在研究和比较了国内外学者提出的各种推荐方法的基础上，提出了结合关联规则和分类规则的推荐方法。综合用户的注册表单信息和网上行为记录，对用户兴趣特征进行建模，最大程度地提取用户的兴趣。利用关联规则挖掘文献资源间的关联程度，从而产生近邻资源，可以很好的解决稀疏性以及奇异发现问题。分类规则用来实现对学生用户的分类，通过对用户的兴趣特征进行学习，有利于将资源准确推荐给具有相似爱好的用户。 最后将基于数据挖掘的推荐算法加以应用，设计和实现了文献自动推荐，实验表明，该方法能起到很好的推荐效果。

目录

文摘

英文文摘

声明

第1章绪论

1.1选题背景及意义

1.2国内外研究现状

1.2.1数据挖掘研究现状

1.2.2推荐系统研究现状

1.3本文的主要工作

第2章个性化推荐研究

2.1 个性化推荐概述

2.2基于内容的个性化推荐

2.3协同过滤个性化推荐

2.4混合推荐

2.5基于数据挖掘的个性化推荐

2.6小结

第3章 文献自动推荐模块的分析与设计

3.1结构分析

3.2功能分析

3.3总体分析

3.4文献自动推荐建模

3.4.1文献建模

3.4.2用户兴趣模型

3.5用户对文献兴趣度的计算

3.6关联规则——FP-Growth算法

3.7分类规则——决策树算法

3.8文献推荐服务

3.9新文献推荐服务

3.10小结

第4章 自动推荐模块的实现

4.1整体框架

4.2数据源介绍及用户兴趣模型的实现

4.2.1概述

4.2.2数据收集

4.2.3数据预处理

4.2.4用户兴趣模型实现

4.3数据库设计

4.4 FP-Tree算法实现

4.5决策树算法实现

4.5.1数据集选取

4.5.2实验方案及假设限制

4.5.3实验过程

4.6具体功能实现

4.7结果分析

第5章总结与展望

5.1工作总结

5.2进一步研究工作展望

参考文献

研究生期间发表论文

致谢