金融管理专业论文精选篇一
第一章绪论
1.1研究背景和意义
随着计算机的普及，网民的数量越来越多，加上社区网络越来越受到广大网民的追捧，用户的参与度和贡献度越来越高，这也使得互联网上的数据呈爆炸式增长，信息量增大的同时也为网民带来了巨大的烦恼，因为大量的信息量中也充斥着对用户无用的垃圾信息，而用户想要获取真正感兴趣的知识变的越来越困难，需要利用各种技巧来找到有价值的信息，或者说要定位一条数据越来越难。虽然有比较出色的搜索引擎帮助用户寻找信息，但这种方式对于用户来讲还不够主动，因为用户往往不能准确的描述他们的需求，通过搜索引擎寻找往往得不到很满意的结果，因此需要寻求一种新的信息组织模式来为用户解决信息蹄选的问题。大型门户网站都是通过分类来组织信息，例如通过媒体类型的分类，将互联 -网内容分为视频，图片，文字等，或者通过对文本主题的分类，将互联网内容分为经济，体育，生活等。这些都是有效的信息组织方式，它能让用户方便的找到某一领域的资讯，当这些数据都是通过后期的人工整理编辑，对于一些实时性数据，其效果就不好了，特别是像以微博为代表的实时信息发布平台，这种通过分类的方式有效的将信息组织起来就更难了。分类这种信息的组织形式可以理解为面向公众的一种信息推荐方式。在Web2.0时代，个性化的推荐往往显得更重要，这就需要我们把相似的信息通过某种方式组织在一起，用户都希望在阅读一些有价值的信息时，能被主动推荐一些类似的信息，为此避免冗余的查找，对于电商来说，推荐给用户感兴趣的商品还可以促进其销售额，对于社区网站，利用用户的行为数据推荐给他一些好友或者好的内容，增强了用户的体验，增强了用户的粘性，对于视频网站来说也是如此。
…………………
1.2国内外研究现状
Amazon作为国外电子商务的代表，瓣作为国内社交网络的代表，它们各自的应用反应了当前的国内外研究状况。豆瓣是国内做的比较成功的社交网站，它以图书，电影，音乐和同城活动为中心，形成一个多元化的社交网络平台[1]，豆瓣是基于社会化的协同过滤的推荐，这样参与其中的用户越多，用户行为数据产生的越多，那么推荐的结果就越准确。用户的行为数据包括对一本书，一个电影看过与否，一段音乐想听与否，诸多评论信息以及置“赞”等信息，这些信息终将转化成用户对某一物品的偏好信息，偏好数据构成了推荐引擎的基础。Amazon是全球用户数量最大的零售网站，这不仅得益于其高效的物流，稳定的服务，更得益于其领先的推荐机制，它是基于一种混合推荐的机制，即将不同推荐方式推荐的结果分区的展示给用户，例如历史浏览区域，热门促销区域，购买这个还会买什么的区域，商品购买组合区域等，并且用户等通过修改历史数据，改善Amazon给用户的推荐结果。对于给用户的推荐结果，Amazon会给出量化的原因，让用户信服，所有这些都促使了 Amazon销售额的上升。现今应用比较多的推荐技术主要是基于用户偏好的协同过滤技术以及基于内容的推荐技术。在电商领域，对于有限的商品，大多釆用协同过滤技术，这样可以反映用户的偏好选择，而在新闻推荐领域，大多采用内容推荐技术，因为新闻是实时更新的，不会得到有限用户的评价，因此大多采用了文本分析的方法，通过提取女本关键字来比较新闻的关联性。随着推荐技术的不断发展，推荐引擎已经在电子商务网站和社交网站都取得了很大成功。这也进一步的说明了，在Web2.0时代下，在面对海量信息时，用户需要这种更加主动、智能、准确的信息发现机制。
…………………
第二章背景知识介绍
2.1推荐引擎
显式的用户反馈：这类是用户在使用网站过程中，通过评论，评分，赞等带有明显个人意向的操作，这些操作产生的数据会被系统的数据库记录，这类信息往往通过数据库的简单查询就能得到。显式的用户反馈通常能比较确切的说明用户对物品的个人偏好，但这些数据的产生需要用户进行额外的操作，往往使得一个物品得不到比较完整的评价数据，而隐式的用户行为，是通过系统的日志去记录的，不需要用户额外的操作代价，但是需要后期相对复杂的分析过程，才能从中量化用户的隐式反馈。基于用户的推荐指的是通过分析用户的相似度，向用户推荐相似用户喜欢的物品，这种方式的推荐是基于用户本身的属性数据，即一个用户能被贴越多标签越好，这样才能更全面的代表用户本身，这些标签包括地理的位置信息，性别年龄信息，个人爱好等信息。因此收集用户本身的信息也成为此中推荐方式的核心，但往往也成为此推荐方式的瓶颈，因为在开放的虚拟互联网世界中，用户并不喜欢透露真实信息，这样导致用户信息的缺乏，建立在这些信息基础之上的推荐方式其推荐效果也就没有可信度了。其次根据用户属性对用户进行分类的方法过于粗糖，尤其是对品味要求较高的图书，电影，音乐等领域。基于用户推荐的优点是不使用当前用户对物品的喜好的历史数据，所以对于新用户没有冷启动（Cold Start)问题，冷启动问题是指新用户加入系统时不会有推荐消息。这个方法同时不依赖于物品本身的数据，因此在物品信息不全时，不需要分析出物品的特征，或者给物品贴上人工标注，这个方法在不同物品的领域都可以使用，具有领域独立性。
……………
2.2文本表示模型
在基于内容的推荐机制中，如果内容是文本数据，为了判断文本内容之间的相似性，则必须先将文本进行量化处理，为其建立数学模型，然后才能够通过数学手段计算数值化后的文本数据。常用的文本表示模型有布尔模型、向量空间模型和统计语言模型[5]。布尔模型假定特征词在文本中要么出现，要么不出现，只有这两种可能，是一种最简单的文本表示方式，如果特征词在文本中出现则标1，否则标0，这样一段文本就能够通过一串包含0或1的数值表示出来了。通过这种模型得到的文本表示因为没有考虑到每个特征词的权重而只是简单的用是否来标识特征词，因此特征词的代表性强弱没有得到很好的反应，导致分析的结果也不会很准确，但其作为最基本的文本表示方式往往作为评价其他文本表示方法的一个参考标准。
…………………
第三章面向微博的金融信息推荐方法.......... 14
3.1用户需求分析 ..........14
3.2推荐方法概述.......... 14
3.3微博数据的特点.......... 15
3.4 微博用户的特点.......... 16
3.5基于微博内容的金融信息推荐方法.......... 16
3.5.1构建金融分类词典.......... 17
3.5.2 特征选取 ..........18
3.5.3权重计算.......... 20
3.5.4相似度计算 ..........22
3.6基于微博用户的协同过滤推荐方法.......... 23
3.7 推荐方法总结.......... 26
3.8 本章小结.......... 27
第四章面向微博的金融信息推荐系统设计.......... 28
4.1 系统整体架构.......... 28
4.2 采集层功能及设计.......... 29
4.3分析层功能及设计.......... 31
4.4推荐层功能及设计.......... 35
4.5交互层功能及设计.......... 37
4.6 本章小结 ..........40
第五章面向微博的金融信息推荐系统实现.......... 41
5.1系统技术架构 ..........41
5.2采集层中网络爬虫组件的实现.......... 42
5.3分析层中数据格式化组件的实现.......... 45
5.4推荐层中的推荐引擎组件的实现.......... 51
第五章面向微博的金融信息推荐系统实现
5.1系统技术架构
本系统采用B/S模式，基于MVC模型，即模型层、控制层和视图层。选用的技术是现今比较流行的Hibemate+Struts+JSP组合技术，其中Hibernate提供了数据持久化能力的便捷实现，实现了 MVC模型中的M层，即模型层;Struts提供了流程控制的框架能力，实现了 MVC模型中的C层，即控制层；JSP则是系统可视化实现的基础，实现了 MVC模型中的V层[20]。系统采用的五层结构设计由客户层、Web层、业务逻辑层、数据持久层、数据库层组成，如下图所示。Hibernate封装了 JDBC操作数据库的底层细节，为上层提供了更抽象、更便捷的接口给逻辑业务层去调用，同时它也具备事务处理，缓存设置，数据源配置等多种功能。Stmts提供了请求转发的能力，承接来自用户的请求，通过框架中的控制中心找到相应的响应类去处理请求，通过装配数据，逻辑处理后将结果返回给用户，因此它是整个系统流分发的核心部件。JSP提供可视化的编程能力，将用户数据的输入接口和系统运行结果的输出接口进行可视化展示，增强系统的交互性。
……………
结论
随着网民在互联网上数据的贡献度越来越高，互联网上积累的数据也越来越多，推荐技术能识别数据之间的关系，并根据规则将数据推荐给需要的用户，面向指定媒体类型的金融信息推荐平台则是利用网络爬虫技术收集网上的数据，抽取，转化后，提取有效的金融信息推荐给用户，帮助用户快速高效的定位有价值的金融。本文在推荐技术的学习和对平台的实践分析的基础上介绍了多种推荐机制、文本表示模型、相关性计算方法、文本特征选取、文本权重计算，并对微博数据和用户的特点进行了分析，研究了基于用户的协同过滤和基于内容的推荐所需数据的初始化工作。本文实现了基于微博用户的协
