移动个性化应用推荐系统的设计和实现的中期报告.docx

移动个性化应用推荐系统的设计和实现的中期报告
设计目标：
本项目的设计目标是构建一个移动个性化应用推荐系统，此系统能够为每个用户推荐其感兴趣的应用。
技术方案：
我们采用Python作为开发语言，采用协同过滤算法为用户推荐应用。而对于协同过滤算法的实现，我们将使用基于矩阵分解的方法。使用的数据集为AppStore的数据集。
具体步骤：
1.数据预处理
数据预处理包括数据过滤和数据清洗。数据过滤通过删除下载量过低的应用及其对应的用户，使得剩余的数据集更加精确。数据清洗则通过删除重复的数据，分离出应用的分类信息以及用户的偏好信息来增加数据的丰富性。
2.特征提取
通过对数据进行处理，我们提取出了应用的特征信息和用户的特征信息。对于应用的特征信息，我们采取了基于应用的内容，类型和功能等特征进行提取。而对于用户的特征信息，我们采取了基于用户的行为数据，兴趣偏好等因素的提取。提取出这些特征信息后，我们予以归一化处理，为下一步的计算做好准备。
3.矩阵分解
通过对归一化处理后的数据进行矩阵分解，我们得到了应用和用户的向量表示。我们使用了SVD方法进行矩阵分解，然后予以降维和基于PCA的特征提取来达到更高的计算效率和准确性。
4.协同过滤
根据用户的历史记录和偏好信息，我们可以挖掘出一个用户偏好的空间范围，然后基于用户历史记录和系统对应的矩阵向量，我们予以计算用户和每个应用之间的距离，进而给用户推荐相似的应用。
5.模型评估
我们使用交叉验证方法，将数据集随机划分成训练集和测试集，来检测模型的准确性和鲁棒性。
现阶段进度：
目前我们已经完成了数据预处理部分的工作，对于应用和用户的特征信息都已经提取出来，并且进行了归一化处理。接下来我们需要使用SVD方式进行矩阵分解，然后开展协同过滤的实现和模型的评估。