2.2    协同过滤算法概况    4
2.3    常见协同过滤算法    6
2.4    本章小结    6
3    课题分析    7
3.1    需求分析    7
3.2    数据集分析    7
3.2.1    数据集信息    7
3.2.2    数据集处理    8
3.2.3    过滤数据集分析    8
3.3    本章小结    10
4    推荐系统设计    11
4.1    评分函数    11
4.2    基于用户的协同过滤算法    11
4.3    基于游戏的协同过滤算法    14
4.4    融合算法模型    16
4.5    本章小结    16
5    实验结果分析与参数调整    17
5.1    最近邻算法结果分析与参数调整    17
5.1.1    欧几里得算法    17
5.1.2    皮尔逊相关系数    18
5.1.3    Cosine余弦相似度    18
5.1.4    Tanimoto系数    19
5.2    融合算法结果分析与参数调整    19
5.3    本章小结    20
结  论    21
致  谢    22
参考文献    23
附录    24
1    绪论
1.1     研究背景与意义
伴随着Internet技术与电子科技技术的发展，网络上的信息量大幅度增加，人们对网络资源的依赖越来越大。其中，在二十一世纪，智能手机的诞生，尤其是在苹果手机IPhone4的出现后，人们对智能手机的依赖越来越大。手机资源在网络方便变得越来越丰富。人们通过手机，可以下载到很多的手机游戏，来丰富自己平时的闲暇生活。海量的手机游戏，也让手机游戏的开发商和发行商们看到了未来的市场。越来越丰富并且炙手的手机游戏不断地涌现，比如现在手机单机游戏《开心消消乐》、手机网游《Dota传奇》。而在这些手机游戏中，则存在了多种方式获得盈利。在这些游戏中，可以采取游戏计费，道具计费，广告收费等多种游戏利润。用户在玩游戏的同时，都是无形中为游戏的开发商，发行商提供收费机会。对于用户，挖掘其可能其自身行为和支付行为，并通过预测的用户行为，为其推荐相似并且用户会采取付费行为的游戏，成为所有互联网商家所致力于研究发现的。本文，将致力于这点，针对所给真实数据集，开发一套推荐系统，并进行探讨与改进。
1.2     国内外研究现状
从二十世纪九十年代互联网开始发展起来，推荐系统的研究与应用开始变得快速发展。社交网络，电子商务，智能手机市场的蓬勃发展促使了各个互联网公司、电子商务网站都推出了不同且效果不错的推荐系统。Twitter公司为其社交网络推出了Who to Follow算法[10]，根据用户之间相同兴趣，联系和其他影响因子来构造百万用户之间的连接。Amazon公司推出了item-to-item的协同过滤和Top-N算法[11]，为用户进行推荐相似产品。新浪微博在微博推荐中，提出了Graph-based推荐算法，LFM等推荐算法。在当下，成熟的推荐系统基本上都是采用的混合推荐算法。伴随着分析物品的复杂性，协同过滤推荐算法被提出来，并且协同过滤算法的优越性也得到体现，能够不用分析物品之间，单纯分析用户与物品之间的打分值，就可以进行推荐。然而，其缺点[1]也在数据量变大的情况下凸显出来，伴随着数据量变得庞大时，协同过滤算法会展现出精度下降、数据稀疏、冷启动问题和扩展性差。 手机游戏推荐技术研究(2):http://www.youerw.com/jisuanji/lunwen_22796.html