1. 研究目的与意义
1）国内外研究现状
推荐系统的研究开始于上世纪 90 年代初期。推荐系统大量借鉴了相关领域的研 究成果，在推荐系统的研究中广泛应用了认知科学、近似理论、信息检索、预测理论、管理科学以及市场建模等多个领域的知识。纵观历史，推荐系统的研究和发展经历了三个重要阶段，每个阶段又有其标志性意义的事件。在推荐系统形成的初期阶段，研究人员不断探索，首先出现的是基于知识的推荐系统，接着诞生了日后非常受欢迎的基于协同过滤算法的推荐系统，这些发展证明了推荐系统的可行性和有效性，极大地推动了推荐技术在科研及商业上的发展。1992年XeroxPaloAlto研究中心开发了实验系统Tapestry，该系统利用其他用户的评分和注释，帮助用户过滤邮件，解决邮件过载问题。这就是是协同过滤最先被提出的地方。1994年产生了第一个自动推荐的系统GroupLens。该系统为了新闻推荐过滤而开发的，GroupLens系统相比Tapestry系统，既能自动计算又能跨网计算。1997年Resnick等人首次提出“推荐系统”一词，他们认为推荐系统除了要过滤无用信息，还可以推荐用户感兴趣的项目，自此推荐系统开始成为一个重要的研究领域。到了第二阶段，推荐系统开始应用到商业领域，且发展迅速，效果显著。推荐系统做的最好的是美国的电商网站亚马逊，在亚马逊上，当顾客购买了一件商品，网站页面会生成一个推荐列表，显示着“通常一起购买的商品”和“购买此商品的顾客同时 购买”的商品列表。亚马逊的算法工程师改进了算法，使用基于物品内容的协同过滤 方法，可以大规模计算客户的操作信息，从而产生高质量的推荐，大大提高了亚马逊 的营业额。据统计，亚马逊的推荐系统为其提升了 20%~30%的销量。另一个推荐功 能做的非常好的网站就是 Facebook，Facebook 读取用户个人资料，好友列表，根据 用户的个人信息投放广告，取得的效果也十分显著。推荐系统发展到这一阶段，研究人员主要的工作是解决技术方面的问题，如开发新算法、降低计算时间、提升推荐质量等。 到了现阶段推荐技术研究大爆发，新算法不断涌现。2000 年至今，应用场景不断切换，不同学科的研究人员都加入研发，推荐系统得到迅猛发展。如今推荐系统结合了来自数据挖掘、信息检索、人工智能、信息安全、商业营销等各个领域的研究，它的算法和分析方式更加多元化。随着互联网的发展，海量数据提供了坚实基础，算法研究方面取得了很大进步，2006 年 Netflix 的百万美元推荐算法大奖更将算法的研究推向高潮。基于对推荐系统研究的深入，学者将推荐系统进行分类，将推荐算法分为三类，即基于内容的算法、基于协同过滤的算法和混合的推荐算法。然而随着 Web2.0 的发展，不同的用户需求以及海量数据规模对推荐系统算法的研究提出了更高的要求，因此相关研究还有大量工作要做。 机器学习是现在的一个热点，国内的大公司如网易，阿里巴巴都使用机器学习构建推荐系统。传统的推荐策略都无法解决对长尾内容的精细化个性化推荐和热度穿透 等问题，机器学习在解决这些问题上则具有明显优势，机器学习的推荐方法与广告计算类似，就是使用大量用户样本构建一个模型，该模型可以预估用户的浏览时长，点 击量，购买潜力。这几年推荐系统也开始利用用户物理特征进行推荐，物理特征包括 GPS 定位、IP 地址、屏幕分辨率等等，国内知名的外卖软件如饿了么，就会通过读 取用户的定位信息，给用户推荐附近商家，这种推荐高效省事，取得了不少好评。
2）协同过滤
2. 研究内容与预期目标
1.研究目标
本课题主要是研究协同过滤的推荐算法，学习协同过滤算法的内容，并以目前网络上的动漫数据为研究对象，建立相应的动漫推荐系统，为用户能够在网络上找寻自己适合的动漫提供便利
2.研究内容
3. 研究方法与步骤
1.研究思路
4. 参考文献
[1]简书[EB/OL].https://www.jianshu.com/p/de1ae0e88b27.
[2]刘涛.基于协同过滤的高校图书推荐系统[J].现代计算机(专业版),2019.1.15.
[3] 程江飞. 面向个性化推荐系统的协同过滤算法研究[D].苏州大学,2019.6.10.
5. 工作计划
（1）2022.1.10 ---- 2022.2.28 查阅资料，撰写开题报告
（2）2022.3.1---- 2022.3.31 阅读相关参考文献，翻译英文资料
（3）2022.4.1---- 2022.4.30 完成基于协同过滤的个性化动漫推荐系统的设计与实现
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
