毕业论文课题相关文献综述
1. 研究背景和意义随着图书资源的不断丰富与当今网络和大数据的飞速发展, 人们已经脱离了信息匮乏的时代，而信息超载的矛盾日益恶化,引起众多研究者的密切关注。
信息的爆炸式增长,带来了两个问题,一方面,简单搜索不能针对性的提供个性化服务,用户很难在海量的信息中获取到自己不了解但可能感兴趣的信息。
另一方面,作为信息的生产者,如何最有效地利用信息,将信息推送给潜在目标用户也是一个难题网络给人们带来了便利,同时人们对网络上的服务也提出了更高的要求,人们希望得到更快、质量更高的服务。
目前在学界解决这种问题的常见有效途径有两条:搜索技术和个性化推荐技术。
个性化推荐技术也称推荐系统,相比于搜索引擎,不依赖于用户主动键入搜索内容,不借助于用户提供明确的关键词导向,通过收集用户的历史行为习惯数据或标注信息,为用户建立兴趣模型,预测用户对某一图书是否喜欢以及喜好程度的高低,再主动给用户推荐其最有可能喜爱或者感兴趣的信息，使用户不再需要花费大量时间来浏览、寻找自己感兴趣的图书。
如今基于个性化推荐算法的推荐系统已广泛应用于大型电子商务平台、社交平台、新闻客户端以及其他各类娱乐网站中。
事实表明，推荐系统的融入显著提高了用户的满意度和对网站的粘性，进而为其自身带来了可观的经济效益和社会影响力。
不过，单纯的以用户和项目为驱动的推荐引擎并不能满足相关用户的实际需要，用户在实际购买中往往会结合自己的实际需要以及相关朋友的推荐来做最终选择，同时传统推荐算法往往具有很严重的马太效应。
为此，将社交网络与个性化推荐相结合提高推荐的精度是近年来研究的热点。
协同过滤（Collaborative Filtering）推荐算法是个性化推荐中运用的最早和最成功的一种推荐技术，它的任务是利用用户与项目评分矩阵中的已知元素来预测未知元素的评分值并将预测评分高的项目推荐给用户。
