基于NLP特征提取与文本分析的小说推荐系统设计与实现开题报告

全文总字数：5366字

1. 研究目的与意义（文献综述）

1.1 研究目的及意义

推荐系统（recommend systems）是利用信息过滤技术向用户推荐其可能感兴趣的信息。推荐系统是有别于信息分类和信息搜索的信息处理方式。

2. 研究的基本内容与方案

2.1 目标（开发的系统概况描述）

本课题旨在按照用户和物品的协同过滤、基于内容推荐和用户行为序列等常用推荐手段外，重点完成对文本内容进行分析并完成语义挖掘建设一个准确高效的小说推荐系统，

2.2 基本内容

3. 研究计划与安排

(1)2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2)2020/3/1—2020/4/30：系统架构、程序设计与开发、系统测试与完善；

(3)2020/5/1—2020/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1] Koren Y, Bell R M, Volinsky C, et al. Matrix Factorization Techniques for Recommender Systems[J]. IEEE Computer, 2009, 42(8): 30-37.[2] 韩建胜,陈杰,陈鹏,刘杰,彭德中.基于双向时间深度卷积网络的中文文本情感分类[J].计算机应用与软件,2019,36(12):225-231.[3] Herlocker J L, Konstan J A, Terveen L, et al. Evaluating collaborative filtering recommender systems[J]. ACM Transactions on Information Systems, 2004, 22(1): 5-53.[4] Deshpande M, Karypis G. Item-based top- N recommendation algorithms[J]. ACM Transactions on Information Systems, 2004, 22(1): 143-177.[5] 王红.基于数据挖掘技术的图书推荐算法应用研究[J].现代信息科技,2019,3(23):20-21 24.[6] 李星雨,宋娜,何锦儿,胡雪婧,刘小萌.基于协同过滤算法的个性化课程推荐服务[J].现代信息科技,2019,3(24):121-122 125.[7] 张宇航,姚文娟,姜姗.个性化推荐系统综述[J].价值工程,2020,39(02):287-292.[8] 杨长利,刘智,鲁明羽.双通道混合神经网络的文本情感分析模型[J/OL].计算机工程与应用:1-8[2020-02-25].http://kns.cnki.net/kcms/detail/11.2127.TP.20200220.1804.006.html.[9] 周泳东. 基于卷积神经网络的商品评论情感分析的研究[D].南京邮电大学,2019.[10] Cheng H, Koc L, Harmsen J, et al. Wide Deep Learning for Recommender Systems[C]. Conference on Recommender Systems, 2016: 7-10.[11] Covington P, Adams J, Sargin E, et al. Deep Neural Networks for YouTube Recommendations[C]. Conference on Recommender Systems, 2016: 191-198.[12] Adomavicius G, Mobasher B, Ricci F, et al. Context-Aware Recommender Systems[J]. Ai Magazine, 2011, 32(3): 67-80.[13] Lu Y, Castellanos M, Dayal U, et al. Automatic construction of a context-aware sentiment lexicon: an optimization approach[C]. The Web Conference, 2011: 347-356.[14] Yang B, Cardie C. Context-aware Learning for Sentence-level Sentiment Analysis with Posterior Regularization[C]. Meeting of the Association for Computational Linguistics, 2014: 325-335.[15] Qu Y, Cai H, Ren K, et al. Product-Based Neural Networks for User Response Prediction[C]. International Conference on Data Mining, 2016: 1149-1154.