1、“.....实验三调整天训练集实验四加入交叉属性特征基于逻辑回归的混合推荐正在改进之处第五章结果与展望游戏应用中心的推荐系统结果分析游戏中心推荐系统研究的难点及发展方向参考文献致谢第章序论第章序论研究背景随着互联网的快速发展，网络接入服务器和网页的数量呈指数增长的趋势。互联网技术的飞速发展使大量信息在同时间出现在我们面前，例如，有数以万计的电影，亚马逊有上百万的书籍，如此多的信息，全部看过并找出感兴趣的部分几乎是不可能的。帮助不同用户找到个性化的感兴趣的信息的需求越来越迫切......”。

2、“.....挖掘用户潜在感兴趣的对象和推荐相关的内容给用户的系统。本质是通过用户和项目之间建立种特定的联系方式。个性化推荐研究于上世纪九十年代被提出，历经年时间飞速发展。借助这个技术，用户不再是被动的接受，而是可以主动地参与进来，获得自己偏好的产品。实际上，个性化推荐系统可以应用的领域非常广泛，例如我们所熟知的，等公司，他们基于乃至级的大数据，在数以亿计的用户和物品中找到用户潜在喜好倾向。另方面，推荐系统不仅仅有助于商业的营销，而且还能够大大增加用户的粘性，使客户具有良好的用户体验，反过来，好的用户体验将会进步提升公司商业利益。按照的统计，亚马逊推荐系统为其带来超过的销售额。另外著名的视频网站公开设置百万美金奖励的大赛，用以奖励能够将现有推荐系统效果提升的人。阿里巴巴大数据竞赛最近两年也在如火如荼的举行，同样开出了诱人奖金。个性化推荐系统正在被越来越多的公司所探索和采用。这里的应用场景是对小米手机的游戏中心用户进行个性化推荐......”。

3、“.....小米公司在年月，小米四发布，小米首北京大学硕士学位论文席执行官雷军宣布小米产品的公司从创办以来所有销售数字小米系列万，小米系列万，小米系列万，红米系列万，红米系列万，累计销量万台。与此同时，小米创始人洪峰表示小米基于安卓的深度定制系统用户总数超过万。小米游戏中心是搭载在上的应用程序，其用户集数量与几乎相同，也在万以上，每日活跃用户的下载量在二百万左右。小米游戏中心是国内最大的手机游戏分发平台之，截止年底，共收录近款游戏。如何对亿级潜在用户进行游戏的个性化推荐，这就是我们研究的主要课题。研究意义对小米游戏应用中心进行个性化推荐的研究意义，增加下载的数量。这是个性化推荐重要的商业功能，即使用个性化推荐能够为企业带来额外的商业价值。这目标实现，是因为推荐的项目有可能满足用户的需求和欲望。同时引入个推荐系统的有利于提升用户使用产品的黏性和使用频率，提升企业产品内在价值。二，帮助用户快速找到有趣的高质量的信息，提升用户体验。通常来说......”。

4、“.....是很难在短时间内准确找寻到自己偏爱的游戏的。好的推荐系统可以帮助用户快速寻找自己可能感兴趣的游戏，从而大幅提升用户的满意度，获得良好的用户体验。举个例子，是美国的家著名视频网站，份报告中表示，年网络电影销量占据美国用户在线电影总销量的。它在产品特色上主打个性化推荐。通过了解每个用户方式进行负样本采样，这样的信息会产生较大噪声，因此解决方案有两点，是和有关部门共同推进曝光的记录，增加负样本准确度二是对负样本进行不规则采样，对于正样本附近的样本进行高概率采样，越远的样本采样概率越低。二获取更多的数据，整合更多的数据集。众所周知，好的推荐系统在很大程度上依赖于特征的选取，而特征来自高质量的数据集。现在有很多高质量的数据集正在接入进来，它们将帮助推荐系统不断进行改进和完善。三增加其他算法模型进行融合。基于逻辑回归的混合推荐模型的个优势在于对其他模型的整合，任何模型的推荐结果都可以化为合适的特征加入到该模型中来，随着不同模型的开发......”。

5、“.....四改变产品形态。工业界中款好的产品形态也是非常重要的环。由于推荐系统的结果无法直接展示到用户面前，所以离线测试很难取得良好的反馈。但是如果推荐系统可以使用定的线上测试，如在游戏详情页面加入看了又看在其他小米产品的广告位投放定流量，将会很快得到线上反馈，从而更好地进行产品迭代。第五章结果与展望第五章结果与展望游戏应用中心的推荐系统结果分析本文主要阐述了游戏中心推荐系统设计与实现，分别从系统架构方面和算法实现方面进行了阐述。主要结论是系统架构层面，提出使用数据集合层推荐内核层推荐外层的三层结构，并对推荐内核层使用样本层和训练层双子层。另外对于特征构建提出对应的特征框架。这样的架构处理性能较高，可扩展性好，能够很好地适应当前工业界大数据的分析。二算法实现层面，首先通过设计多项对比实验，得出基于逻辑回归的混合推荐模型优于基于协同过滤的推荐模型和基于社交网络的推荐模型。前者的主要优势在于实验评测表现较优，且特征的可扩展性较好。然后......”。

6、“.....进行多组改进实验，如添加新的特征改进当前样本选取方式改进特征选取方式等持续改进并优化模型。在改进的过程中，发现并使用了交叉特征，使得该模型很大程度上克服了个性化不足的问题。同时，实验结论证明，在加入交叉特征后，推荐效果有了较大提升。游戏中心推荐系统研究的难点及发展方向近年来推荐系统发展迅猛，越来越多的企业和产品加入了推荐系统。然而把推荐系统做好是项非常困难的事情。以游戏中心的推荐系统而言，我们遇到了如下技术难点负样本缺失。在本文中，我们采用模拟曝光的方式来补充负样本，实际上来说，很多类似于游戏中心的应用场景没有或者很难对负样本的曝光场景进行记录，北京大学硕士学位论文从而在负样本上存在缺失现象。类似的样本问题将会给推荐系统的效果带来不利影响。推荐系统的隐私性研究对于推荐系统而言，需要使用大量的用户交互数据。然而如何保护用户隐私，并安全地进行数据使用是当前带给公司的项挑战。可喜的是......”。

7、“.....可以较好地将用户信息保护起来值得我们去借鉴。同时推荐系统需要对隐私策略进行相关的调整和适应。推荐系统评测指标的研究不同的推荐系统所面临解决的主要问题不同，如有的是精准预测打分的问题，有的是推荐的问题，所采用的评测指标也不尽相同。同时，还有项重大的挑战是，当推荐系统的实验采用离线方式进行时，由于没有任何机会将推荐结果展示给用户，也无从得知是否可以在曝光之后获得更大提升。所以对于评测的研究仍是未来推荐系统需要进行研究的目标。参考文献参考文献,刘建国,周涛,郭强等个性化推荐系统评价方法综述复杂系统与复杂性科学,‟北京大学硕士学位论文致谢本论文是在屈婉玲和李素科老师的悉心指导下完成的。屈婉玲和李素科老师作为优秀的经验丰富的教师，具有丰富的领域知识和经验，在整个论文实验和论文写作过程中，对我进行了耐心的指导和帮助，提出严格要求，引导我不断开阔思路，为我答疑解惑，鼓励我大胆创新，使我在这段宝贵的时光中，既增长了知识开阔了视野锻炼了心态......”。

8、“.....在此，我向我的指导老师表示最诚挚的谢意,硕士研究生学位论文题目游戏应用中心推荐系统设计与实现姓名学号院系专业研究方向导师姓名二〇五年四月摘要摘要互联网为用户带来了海量信息，但也使得用户在大量数据中难以找到自己真正感兴趣的内容，降低了信息使用效率。推荐系统是解决此类问题的种有效方式。通过分析用户历史行为，推荐系统能够帮助用户快速发现真正感兴趣和高质量的信息，从而提升用户体验，提高产品使用黏性。对于小米游戏应用中心推荐系统，如下两方面需求非常迫切对用户而言，往往很难在游戏应用中心的几万款游戏中快速找到自己所喜欢的对公司而言，游戏应用中心带来的收入丰厚，通过推荐系统提高用户的下载率，具有很高的商业价值。在推荐系统的设计与实现中，首先对主流的推荐算法模型进行介绍，并重点分析各自的优劣势。然后分别从两个层面介绍推荐系统的搭建过程在系统架构层面，使用数据集合层推荐内核层推荐外层的三层结构......”。

9、“.....此架构能够方便地进行数据分布式处理不同算法模型的接入以及高维度特征的扩展，以适应当前大数据量的分析。在算法设计与实现层面，设计不同算法模型的对比实验，并最终选择了基于逻辑回归的混合推荐模型。接下来通过系列算法改进策略，如添加新的特征改进当前样本选取方式改进特征选取方式等持续优化模型。创新性地提出交叉特征，使得基于逻辑回归的混合推荐模型可以很好地个性化根据个体特性推荐不同游戏。结果表明在加入交叉特征后，实验中评测指标召回率提升，准确率提升，改善了当前模型的推荐效果。最后对游戏中心推荐系统的实现进展进行总结，并对未来系统的建设提出改进的方法和建议。关键词推荐系统，逻辑回归混合推荐，交叉特征......”。