新建
上传
首页
助手
最?/div>
资料?/div>
工具

评委一评分?/p>

签名及备?/p>

 

 

 

 

队号?/p>

 

20025 

评委三评分,签名及备?/p>

 

 

 

 

评委二评分,

签名及备?/p>

 

 

 

 

选题?/p>

 

B 

评委四评分,签名及备?/p>

 

 

 

 

题目:基于层次分析法?/p>

BP

神经网络对书籍推荐的研究

 

?/p>

   

?/p>

 

随着信息技术和互联网的发展,关于各类信息的评价、推荐越来越被广泛关

注。本文根据一个著名网上书店的用户行为信息,分析影响用户评分的因素来建

立用户对书籍的评分体系模型,进而对用户进行书籍推荐?/p>

 

对于问题一,首先对原始数据筛选处理,得到用户对书籍的评价?/p>

5

分的?/p>

据;考虑到不同因素对书籍评分的影响,然后再对标签、社交好友、书籍浏览量

三组数据分别进行双变量相关分析,得到用户对书籍的评分分数与标签数量、用

户好友数量、书籍的历史浏览量成正相关的关系,对用户对书籍评分影响程度分

别为历史浏览量>用户好友人数>书籍标签数量?/p>

 

对于问题二,本文分别通过建立层次分析模型?/p>

BP

神经网络模型对评分进

行预测。首先将三个影响评分的因素:书籍的书签数量、历史浏览量、用户的?/p>

友数量作为评分指标,建立层次评价指标体系。然后,通过建立层次分析模型?/p>

得到标签数量、历史浏览量、用户好友数量三个指标的权重?/p>

0.0813

?/p>

0.6837

?/p>

0.2349

,进而确定用户对书籍的评分公式,再将问题中的

36

组数据分别进行分

?/p>

,

并运用评分公式得到用户对每个书籍的评分。接下来构建

BP

神经网络模型?/p>

先对原始数据进行筛选得?/p>

99

组数据;把不同用户对书籍的标签数量、用户好

友数量、书籍浏览量和对应的书籍评分作为输入量,将其他用户对书籍的评分作

为输出量?/p>

选取

80

组数据训练该神经网络?/p>

剩余

19

组数据检验模型,

误差?/p>

5.3%

之内,最后利用该训练好的网络预测用户对书籍评分。通过两种模型的对比得?/p>

更为精确的结果?/p>

 

对于问题三,本文考虑到对书籍的好评频率越?/p>

,

用户对书籍的喜爱程度?/p>

高,

通过对原始数据筛选得到用户未看过书的

ID

?/p>

选取前三本评分为五分频率最

高的书籍?/p>

即为推荐给该用户的三本书?/p>

ID

?/p>

然后循环五次进行分析最终得到问

题所要求的五个用户的推荐书籍

ID

?/p>

 

 

 

关键字:书籍评分;相关分析;层次分析法;

BP

神经网络

 

Ͼλ
新建
上传
首页
助手
最?/div>
资料?/div>
工具

评委一评分?/p>

签名及备?/p>

 

 

 

 

队号?/p>

 

20025 

评委三评分,签名及备?/p>

 

 

 

 

评委二评分,

签名及备?/p>

 

 

 

 

选题?/p>

 

B 

评委四评分,签名及备?/p>

 

 

 

 

题目:基于层次分析法?/p>

BP

神经网络对书籍推荐的研究

 

?/p>

   

?/p>

 

随着信息技术和互联网的发展,关于各类信息的评价、推荐越来越被广泛关

注。本文根据一个著名网上书店的用户行为信息,分析影响用户评分的因素来建

立用户对书籍的评分体系模型,进而对用户进行书籍推荐?/p>

 

对于问题一,首先对原始数据筛选处理,得到用户对书籍的评价?/p>

5

分的?/p>

据;考虑到不同因素对书籍评分的影响,然后再对标签、社交好友、书籍浏览量

三组数据分别进行双变量相关分析,得到用户对书籍的评分分数与标签数量、用

户好友数量、书籍的历史浏览量成正相关的关系,对用户对书籍评分影响程度分

别为历史浏览量>用户好友人数>书籍标签数量?/p>

 

对于问题二,本文分别通过建立层次分析模型?/p>

BP

神经网络模型对评分进

行预测。首先将三个影响评分的因素:书籍的书签数量、历史浏览量、用户的?/p>

友数量作为评分指标,建立层次评价指标体系。然后,通过建立层次分析模型?/p>

得到标签数量、历史浏览量、用户好友数量三个指标的权重?/p>

0.0813

?/p>

0.6837

?/p>

0.2349

,进而确定用户对书籍的评分公式,再将问题中的

36

组数据分别进行分

?/p>

,

并运用评分公式得到用户对每个书籍的评分。接下来构建

BP

神经网络模型?/p>

先对原始数据进行筛选得?/p>

99

组数据;把不同用户对书籍的标签数量、用户好

友数量、书籍浏览量和对应的书籍评分作为输入量,将其他用户对书籍的评分作

为输出量?/p>

选取

80

组数据训练该神经网络?/p>

剩余

19

组数据检验模型,

误差?/p>

5.3%

之内,最后利用该训练好的网络预测用户对书籍评分。通过两种模型的对比得?/p>

更为精确的结果?/p>

 

对于问题三,本文考虑到对书籍的好评频率越?/p>

,

用户对书籍的喜爱程度?/p>

高,

通过对原始数据筛选得到用户未看过书的

ID

?/p>

选取前三本评分为五分频率最

高的书籍?/p>

即为推荐给该用户的三本书?/p>

ID

?/p>

然后循环五次进行分析最终得到问

题所要求的五个用户的推荐书籍

ID

?/p>

 

 

 

关键字:书籍评分;相关分析;层次分析法;

BP

神经网络

 

">
新建
上传
首页
助手
最?/div>
资料?/div>
工具

评委一评分?/p>

签名及备?/p>

 

 

 

 

队号?/p>

 

20025 

评委三评分,签名及备?/p>

 

 

 

 

评委二评分,

签名及备?/p>

 

 

 

 

选题?/p>

 

B 

评委四评分,签名及备?/p>

 

 

 

 

题目:基于层次分析法?/p>

BP

神经网络对书籍推荐的研究

 

?/p>

   

?/p>

 

随着信息技术和互联网的发展,关于各类信息的评价、推荐越来越被广泛关

注。本文根据一个著名网上书店的用户行为信息,分析影响用户评分的因素来建

立用户对书籍的评分体系模型,进而对用户进行书籍推荐?/p>

 

对于问题一,首先对原始数据筛选处理,得到用户对书籍的评价?/p>

5

分的?/p>

据;考虑到不同因素对书籍评分的影响,然后再对标签、社交好友、书籍浏览量

三组数据分别进行双变量相关分析,得到用户对书籍的评分分数与标签数量、用

户好友数量、书籍的历史浏览量成正相关的关系,对用户对书籍评分影响程度分

别为历史浏览量>用户好友人数>书籍标签数量?/p>

 

对于问题二,本文分别通过建立层次分析模型?/p>

BP

神经网络模型对评分进

行预测。首先将三个影响评分的因素:书籍的书签数量、历史浏览量、用户的?/p>

友数量作为评分指标,建立层次评价指标体系。然后,通过建立层次分析模型?/p>

得到标签数量、历史浏览量、用户好友数量三个指标的权重?/p>

0.0813

?/p>

0.6837

?/p>

0.2349

,进而确定用户对书籍的评分公式,再将问题中的

36

组数据分别进行分

?/p>

,

并运用评分公式得到用户对每个书籍的评分。接下来构建

BP

神经网络模型?/p>

先对原始数据进行筛选得?/p>

99

组数据;把不同用户对书籍的标签数量、用户好

友数量、书籍浏览量和对应的书籍评分作为输入量,将其他用户对书籍的评分作

为输出量?/p>

选取

80

组数据训练该神经网络?/p>

剩余

19

组数据检验模型,

误差?/p>

5.3%

之内,最后利用该训练好的网络预测用户对书籍评分。通过两种模型的对比得?/p>

更为精确的结果?/p>

 

对于问题三,本文考虑到对书籍的好评频率越?/p>

,

用户对书籍的喜爱程度?/p>

高,

通过对原始数据筛选得到用户未看过书的

ID

?/p>

选取前三本评分为五分频率最

高的书籍?/p>

即为推荐给该用户的三本书?/p>

ID

?/p>

然后循环五次进行分析最终得到问

题所要求的五个用户的推荐书籍

ID

?/p>

 

 

 

关键字:书籍评分;相关分析;层次分析法;

BP

神经网络

 

Ͼλ">
Ͼλ
Ŀ

2014数学建模mathorcup获奖论文 - 百度文库
新建
上传
首页
助手
最?/div>
资料?/div>
工具

评委一评分?/p>

签名及备?/p>

 

 

 

 

队号?/p>

 

20025 

评委三评分,签名及备?/p>

 

 

 

 

评委二评分,

签名及备?/p>

 

 

 

 

选题?/p>

 

B 

评委四评分,签名及备?/p>

 

 

 

 

题目:基于层次分析法?/p>

BP

神经网络对书籍推荐的研究

 

?/p>

   

?/p>

 

随着信息技术和互联网的发展,关于各类信息的评价、推荐越来越被广泛关

注。本文根据一个著名网上书店的用户行为信息,分析影响用户评分的因素来建

立用户对书籍的评分体系模型,进而对用户进行书籍推荐?/p>

 

对于问题一,首先对原始数据筛选处理,得到用户对书籍的评价?/p>

5

分的?/p>

据;考虑到不同因素对书籍评分的影响,然后再对标签、社交好友、书籍浏览量

三组数据分别进行双变量相关分析,得到用户对书籍的评分分数与标签数量、用

户好友数量、书籍的历史浏览量成正相关的关系,对用户对书籍评分影响程度分

别为历史浏览量>用户好友人数>书籍标签数量?/p>

 

对于问题二,本文分别通过建立层次分析模型?/p>

BP

神经网络模型对评分进

行预测。首先将三个影响评分的因素:书籍的书签数量、历史浏览量、用户的?/p>

友数量作为评分指标,建立层次评价指标体系。然后,通过建立层次分析模型?/p>

得到标签数量、历史浏览量、用户好友数量三个指标的权重?/p>

0.0813

?/p>

0.6837

?/p>

0.2349

,进而确定用户对书籍的评分公式,再将问题中的

36

组数据分别进行分

?/p>

,

并运用评分公式得到用户对每个书籍的评分。接下来构建

BP

神经网络模型?/p>

先对原始数据进行筛选得?/p>

99

组数据;把不同用户对书籍的标签数量、用户好

友数量、书籍浏览量和对应的书籍评分作为输入量,将其他用户对书籍的评分作

为输出量?/p>

选取

80

组数据训练该神经网络?/p>

剩余

19

组数据检验模型,

误差?/p>

5.3%

之内,最后利用该训练好的网络预测用户对书籍评分。通过两种模型的对比得?/p>

更为精确的结果?/p>

 

对于问题三,本文考虑到对书籍的好评频率越?/p>

,

用户对书籍的喜爱程度?/p>

高,

通过对原始数据筛选得到用户未看过书的

ID

?/p>

选取前三本评分为五分频率最

高的书籍?/p>

即为推荐给该用户的三本书?/p>

ID

?/p>

然后循环五次进行分析最终得到问

题所要求的五个用户的推荐书籍

ID

?/p>

 

 

 

关键字:书籍评分;相关分析;层次分析法;

BP

神经网络

 



ļ׺.doc޸Ϊ.docĶ

  • 110kVվ͵緽
  • yfǨ3 ¯¯ǰϵͳ2 ֽṹͲĸʩ
  • ӹл
  • ѧ񡷶
  • ڴѧרҵ¼ȡ-¼ȡң-гԸԳ
  • (㶫ר)2018꼶ѧϲ ĵԪ ȻˮԾ (°)
  • Σ֢ѡϰ
  • ҿŴѧӢ3ο׶ۺ1
  • 17ϴѧ[0139]ѧҵ
  • ɭԴӪϰ

վ

԰ Ͼλ
ϵͷ779662525#qq.com(#滻Ϊ@)