一、文献综述
- 国内外研究现状
近年来，随着互联网的迅速发展，引发了数据规模的爆炸式增长，但同时也带来了严重的“信息过载”问题。推荐系统作为一种从海量数据中筛选信息的工具，可以有效解决信息过载的问题，通过个性化的方式提供满足用户所需的信息。除此之外，推荐系统也是用户和信息之间的桥梁，不仅可以协助用户找到自己所需的信息，也可以让信息出现在对其感兴趣的用户面前，是一种让信息生产者和信息消费者可以互利双赢的有效手段。
传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法。基于内容的推荐方法的思想是根据用户历史选择记录来推荐相类似的项目。系统会从用户的历史选择的项目提取中相关的特征，作为用户的喜好特征。在出现新项目时，也从中提取中一些特征来表示此项目，在根据用户喜好特征与新项目特征之间的相似度决定是否向用户推荐该项目。但是往往会出现项目特征提取困难的问题。基于协同过滤的推荐方法主要分为基于用户的协同过滤和基于项目的协同过滤。基于用户的协同过滤，首先根据用户偏好计算用户之间的相似度，找出与目标用户相似度高的用户，然后预测出目标用户对相似用户感兴趣物品的评分，然后将评分最高的若干个物品推荐给用户。基于项目的协同过滤，通过计算物品之间的相似度来进行推荐。计算已购买物品i和待推荐物品j之间相似度的基本思想时：首先提取出对2个物品共同做出评分的用户，如果这些用户对2个物品i和j的评分相近，那么2个物品相似度就高，反之则相似度低，之后将相似度高的待推荐物品放入推荐列表。协同过滤使用方便简单，但是常常遇到评分数据不足导致稀疏矩阵的问题和新用户没有项目评分的冷启动问题。
混合推荐方法通过将不同的推荐算法混合后进行混合推荐，产生更好的推荐结果，目前受到广泛应用，但在处理文本、图像等多元异构辅助信息时仍面临一些挑战。[3-5]
在信息爆炸的当下，能够感知获取的数据越来越多，数据的种类多种多样且应用场景广泛，用户的个性化需求也越加强烈。面对这种情况，传统推荐方法已经无法满足大众需求，提高推荐系统的性能和推荐精度，已成为当下的研究热点。
（二）研究主要成果
随着越来越多的学者加入到推荐系统的研究中，也产生了一系列的研究成果。一部分研究者将目光放在引入更多的数据上，用户本身就是推荐系统的主体，能够更加的了解用户，就能够更好的预测用户的需求，从而做出更精确的推荐，引入更多的数据有助于实现这个目标。近年来，随着互联网技术的发展，大量的用户信息（如社交信息，位置信息，情境信息）能够被感知获取，将这些信息融入到推荐系统当中，就可以帮助系统做出更好的判断，提高推荐系统的精确性。目前的研究者还是局限于将某一类信息融入推荐系统中，例如张崎山等人[6]提出的社会化推荐系统，史海燕等人[7]提出的基于情境感知的推荐系统等。
另一部分研究者则专注于提高推荐系统本身能力。数据本身只是一堆字符，如何从字符当中有效的提取出用户的信息才是推荐系统的难点。而随着目前数据的复杂性和多样性不断提高，提升推荐系统处理数据的能力已是迫在眉睫。这些年，基于深度学习的推荐系统凭借其强大的数据处理能力得到了许多研究者的青睐。一方面，深度学习可通过学习一种深层次非线性网络结构，表征用户和项目相关的海量数据，具有强大的从样本中学习数据集本质特征的能力，能够获取用户和项目的深层次特征表示。另一方面，深度学习通过从多源异构数据中进行自动特征学习，从而将不同数据映射到一个相同的隐空间，能够获得数据的统一表征，在此基础上融合传统推荐方法进行推荐，能够有效利用多源异构数据，缓解传统推荐系统中的数据稀疏和冷启动问题[8]。
（三）发展趋势
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
