搜索引擎优化毕业论文(基于用户兴趣相关的商品垂直搜索引擎系统,优化排序算法)

　　搜索引擎优化毕业论文(基于用户兴趣相关的商品垂直搜索引擎系统,优化排序算法)

　　[摘要]：“大数据”的概念自1998年由John R. Mashey提出时就广为人知。面对如此庞大的信息量，一般搜索虽然做得不错，但其结果却很大。复杂而广泛，往往需要我们多次翻页才能找到感兴趣的信息，费时费力。因此，本文通过对垂直引擎和推荐算法的深入研究，实现了一个基于用户个性化需求的垂直搜索引擎。它可以更快速的定位到我们真正感兴趣的信息集，结合排序算法和推荐算法，减少用户翻页次数，从更少的搜索和页面，更大程度上满足用户的信息需求。本文利用垂直搜索引擎深入研究，在Lucene评分的基础上优化排序算法。为了将结果排序更符合用户偏好，本文在采集用户兴趣集的基础上增加了用户兴趣冷却算法，可以更准确地定位用户的阶段性偏好；为了挖掘用户的潜在需求，提出了一种自适应用户兴趣挖掘推荐算法。推荐算法用于解决用户需要的不能排第一的问题。排名与推荐算法相辅相成，实现对用户所需信息的充分挖掘。整体个性化排名和推荐，构建个性化垂直搜索引擎系统。本文的主要工作以商品的垂直搜索为切入点，采用元素提取和分布式存储技术搜索技术的解决方案，解决海量信息存储索引的庞大问题。挖掘用户潜在需求的分排名算法和推荐算法的解决方案；分布式计算和存储的发展已经比较完善，可以解决海量信息存储的难题，尤其是扩展性和容灾性，大大提高了数据的安全性；本文通过对垂直搜索引擎原理和应用场景的深入研究和学习，结合全文搜索工具Lucene优秀的分布式框架ElasticSearch设计，实现了电子商务方向的产品垂直搜索引擎系统，研究了Lucene评分机制。改进检索排序算法，优化排序算法，在第一次综合属性排序的基础上进行二次兴趣排序；此外，增加了自适应用户兴趣挖掘推荐算法，推荐算法加入了用户位置参数的影响因素，结合Rocchio推荐算法和基于JLH显着性分数的协同过滤推荐算法，以及混合推荐算法由产品人气推荐算法制作的推荐算法，深入挖掘用户潜在需求，