一个基于搜索结果的个性化推荐系统

论文摘要

随着计算机技术和网络技术的不断发展，Internet上的信息剧增。面对信息的海洋，用户试图通过浏览Web来发现信息、检索信息已经变得越来越困难，用户往往花费了很多时间却收获甚少。这时，用户可以通过搜索引擎来帮助检索有用的信息。现有的搜索引擎如Google、Yahoo和Infoseek等常常返回一个长长的搜索结果列表，用户不得不逐个的验证这些搜索结果片断是否是他们想要的结果，这是个很耗时的过程。 这个问题的一个解决办法是应用Web挖掘技术，对搜索结果进行聚类，使用户可以按组察看结果。但是，由于HTTP协议的无状态性，使得搜索引擎不能很好地跟踪用户的偏好，虽然有些搜索引擎可以对搜索结果打分并按得分的高低呈现给用户，但是一般没有考虑到用户的兴趣爱好，不同用户对于相同的检索关键词搜索出的信息是相同的。再者，传统的聚类方法一般不能解决按用户兴趣提供搜索结果的问题。 搜索引擎返回的结果太多且不能根据用户的兴趣提供检索结果是当前较受关注的问题。本论文把用户兴趣模型和STC聚类算法相结合，提出了改进的STC算法，并提出个性化推荐的策略和兴趣描述更新的方法，实现了一个基于搜索结果的个性化推荐系统(SRPRS)。SRPRS基于改进的STC算法自动组织搜索结果，帮助用户利用主题的方式发现所需的资源。通过实验，分析了SRPRS系统的聚类特性、时间特性和推荐精度。针对搜索引擎的列表显示结果，SRPRS系统在快速查找用户感兴趣的文档上有较好的性能。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 课题的研究背景
• 1.2 信息检索技术
• 1.2.1 搜索引擎
• 1.2.2 目录
• 1.2.3 搜索引擎工作原理
• 1.3 个性化推荐技术
• 1.3.1 个性化的定义
• 1.3.2 个性化推荐的实现方法
• 1.3.3 用户访问信息的收集方法
• 1.3.4 Web挖掘技术对个性化推荐的支持
• 1.4 Web挖掘技术
• 1.4.1 Web内容挖掘
• 1.4.2 Web结构挖掘
• 1.4.3 Web使用挖掘
• 1.5 Web缓存技术
• 1.5.1 Web缓存分类
• 1.5.2 Web缓存与传统缓存的区别
• 1.5.3 Web缓存替换算法
• 1.6 论文目标及创新
• 1.7 本论文内容组织
• 第二章 个性化推荐关键技术
• 2.1 HTML解析技术
• 2.1.1 词法分析
• 2.1.2 语法分析
• 2.2 用户兴趣描述（用户profile）
• 2.2.1 用户profile组织形式
• 2.2.2 用户profile更新方式
• 2.3 资源描述方法
• 2.3.1 基于内容的方法
• 2.3.2 基于分类的方法
• 2.4 用户兴趣模型
• 2.5 相似性计算
• 2.6 本章小结
• 第三章 基于搜索结果的个性化推荐系统设计与实现
• 3.1 体系结构
• 3.2 搜索引擎的选择
• 3.3 信息预处理和词干抽取
• 3.4 用户兴趣抽取和更新
• 3.4.1 简单兴趣模型定义
• 3.4.2 用户兴趣描述
• 3.4.3 用户兴趣模型的更新
• 3.5 Web文档清洗
• 3.5.1 HTML解析器的实现
• 3.5.2 文档数据结构化
• 3.5.3 基本数据结构
• 3.5.4 实现算法
• 3.6 文档聚类
• 3.7 个性化推荐策略
• 3.8 本章小结
• 第四章 聚类分析和改进的STC算法
• 4.1 聚类技术介绍
• 4.2 聚类技术比较
• 4.3 改进的STC算法
• 4.3.1 后缀树的定义（Definition of Suffix Tree）
• 4.3.2 后缀树的建立（Suffix Tree Construction）
• 4.3.3 确定基本聚类（Identifying Base Clusters）
• 4.3.4 合并基本聚类和聚类结果排序
• 4.4 主要数据结构
• 4.5 后缀树算法实现
• 4.6 本章小结
• 第五章 实验及结果评价
• 5.1 实验设置
• 5.2 实验结果
• 5.3 结果分析
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 论文结论
• 6.2 下一步工作
• 致谢
• 参考文献
• 附录1 攻读硕士期间发表学术论文