英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
毕业设计（论文）外文翻译
推荐系统研究的文献综述和分类
学院（系）： 管理学院
专业班级： 信管1602班
学生姓名： 汪均
指导教师： 陈雅娟
2020年3月18日
目 录
摘 要
自1990年代中期关于协作过滤的第一篇论文问世以来，推荐系统已成为重要的研究领域。尽管在过去10年中，有关推荐系统的学术研究已大大增加，但是近十年来，该文献的综合文献综述和分类存在不足。因此，我们审查了2001年至2010年间发表的46种期刊中有关推荐系统的210篇文章，然后按出版年份，出现的期刊，应用领域和数据挖掘技术对这些文章进行了分类。这210篇文章分为8个应用领域（书籍，文档，图像，电影，音乐，购物，电视节目等）和8种数据挖掘技术（关联规则，聚类，决策树，k近邻，链接分析，神经网络，回归和其他启发式方法）。通过研究文章的出版年份，我们的研究提供了有关推荐系统研究趋势的信息，并为从业者和研究人员提供有关推荐系统的见识和未来方向。我们希望本文能够对推荐系统研究感兴趣的任何人，为将来的研究方向提供见识。
关键词：推荐系统；文献评论；数据挖掘技术；分类
介绍
自1990年代中期关于协作过滤的第一篇研究论文问世以来，推荐系统已成为一个重要的研究领域（Resnick等，1994；Shardanand和Maes，1995）。通常，推荐系统通过汇总和分析其他用户的建议来直接帮助用户查找内容、产品或服务（例如书籍，数字产品，电影，音乐，电视节目和网站），这意味着需要来自各个权威机构的评论，以及用户（Frias-Martinez等，2009；Frias-Martinez等，2006；Kim等，2010）。这些系统使用分析技术来计算用户将在每个地方购买其中一种产品的可能性，以便用户将收到有关正确购买产品的建议。推荐系统通常分为协作过滤（CF）和基于内容的过滤（CB）。通常，CF使用基于用户对商品的先前评估或先前购买历史的信息过滤技术。但是，已知该技术揭示了两个主要问题：稀疏性问题和可伸缩性问题（Claypool等，1999；Sarwar等，2000a；Sarwar等，2000b）。相比之下，CB会分析一组由单个用户评分的文档，并使用文档的内容以及所提供的评分来推断用户个人资料，该个人资料可用于推荐其他感兴趣的项目（Basu，Hirsh和科恩，1998年）。但是，CB的句法性质可检测出具有相同属性或特征的项目之间的相似性，因此会导致过度专业化的建议，其中仅包含与用户已经意识到的项目非常相似的项目（Lopez-Nores，Garca-Duque，Frenandez- Vilas和Bermejo-Munoz，2008年）。在过去的十年中，大多数研究人员研究了推荐系统的新方法，以解决CF和CB的这些问题，并将其实施到现实世界中。具体地，将数据挖掘技术应用于推荐系统已经有效地通过分析用户的偏好向用户提供个性化信息。但是，由于与其他研究领域相比，推荐系统的研究领域仍然更广泛，也更不成熟，因此需要在现实世界中进行更多的研究。因此，关于推荐系统的现有文章必须着眼于下一代推荐系统，这将改进推荐方法以向用户提供更多有用和适当的信息。
在这项研究中，我们对2001年至2010年间在学术期刊上发表的关于推荐系统的文章进行了审查和分类，以期深入了解推荐系统。本研究组织如下：
（1）报告了本研究中使用的研究方法。
（2）介绍了有关推荐系统的研究论文分类标准。
（3）分析了有关推荐系统的研究论文，并给出了其分类结果。
（4）提出了结论，并讨论了这项研究的局限性和意义。
我们希望这项研究将强调推荐系统的重要性，并为研究人员和从业人员提供有关推荐系统研究的见识。
研究方法论
本研究的目的是通过检查已发表的文章来了解推荐系统研究的趋势，并为从业者和学者提供有关推荐系统的见识和未来方向。
因此，我们将根据推荐系统的发布年份来验证研究论文的分布，并通过用于推荐的数据挖掘技术和使用的应用领域对研究论文进行分类。但是，考虑到对推荐系统的研究性质，很难将每篇论文限制在特定学科范围内。关于推荐系统的研究论文散布在各种期刊上，例如市场营销，信息技术，信息科学，计算机科学和管理，这一事实进一步证明了这一困难。结果，有必要系统地汇编越来越多的关于推荐系统的研究论文。
bull;ABI/INFORM数据库；
bull;ACM门户；
bull;EBSCO学术搜索主管；
bull;EBSCO业务来源主管；
bull;IEEE/IEE库；
bull;科学直接。
在MIS的前125种期刊上进行了关于推荐系统的研究论文的搜索过程。搜索基于五个描述符执行：“推荐系统”，“推荐器”，“个性化系统”，“协作过滤”和“内容过滤”。两位作者审阅了每篇研究论文的全文，如果两位作者同意，则将与推荐系统没有真正关系的论文删除。如果作者的意见不同，则另一位作者审阅该论文并决定是否删除它。以下描述中列出的以下研究论文被排除在外，因为它们不适合我们的研究：
- 消除了会议论文，硕士和博士学位论文，教科书，未发表的工作论文，非英语论文和新闻文章。与这些出版物不同，学术期刊发表的论文被认为是可靠的，值得评论，因为它们是在同行之后发表的评论。
- 由于对推荐系统的研究相对较新，因此我们仅搜索2001年至2010年底之间发表的研究文章。这10年被认为是推荐系统研究的代表。
- 仅选择描述如何应用推荐系统的研究论文。
我们从46种期刊中选择了210篇关于推荐系统的研究论文。每篇研究论文均经过审慎审查，并归入应用领域和数据挖掘技术的八类之一。尽管调查并不详尽，但它为理解推荐系统研究提供了全面的基础。
分类方法
我们的分类框架包括推荐字段和数据挖掘技术。在这项研究中，我们将研究论文分类为八类应用领域和八类数据挖掘技术。推荐系统研究论文的总体图形分类框架如图3.1所示。
图3.1 分类框架
3.1应用领域的分类框架
许多推荐系统已用于为用户提供信息，以帮助他们决定购买哪些产品（Schafer，Joseph和Riedl，2001年）。但是，即使推荐系统已应用于各种业务领域，也不容易找到将研究论文进行系统分类的论文。因此，研究应用领域是有意义的。我们的研究采用了Schafer，Joseph和Riedl的基本分类方案（2001年），他们按现实世界对推荐应用程序进行了分类，例如书籍，电影，音乐，购物和其他。我们按应用领域对研究论文进行分类，例如书籍，文档，图像，电影，音乐，购物，电视节目等。通过对研究论文的深入审查，购物领域的分类涉及在线，离线和移动购物产品，文档领域的分类涉及论文，博客和网页。另外，其他领域涉及少数推荐领域，例如酒店，旅游和饮食。
3.2 数据挖掘技术的分类框架
通常，数据挖掘技术定义为从数据中提取或挖掘知识。这些技术用于探索和分析大量数据，以发现有意义的模式和规则（Berry＆Linoff，2004年）。它们可用于领导决策并预测决策的效果。重要的是，许多研究人员已使用数据挖掘技术来提高推荐系统的性能。因此，根据数据挖掘技术对研究论文进行分类是有意义的。我们将数据挖掘技术大致分为以下八类：
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[235972]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
