个性化推荐系统设计毕业论文
论文： 论文题目：《Neural Graph Collaborative Filtering》 论文地址： 本论文是关于图结构的协同过滤算法，在原始的矩阵分解和基于深度学习的方法中，通常是通过映射描述用户（或物品）的现有特征（例如ID和属性）来获得用户（或物品）的嵌入。从而利用user和item的embedding进行协同召回。但是作者认为这种方法的固有缺点是：在user与item的interaction数据中潜伏的 协作信号（collaborative signal） 未在嵌入过程中进行编码。这样，所得的嵌入可能不足以捕获协同过滤效果。 让我们一起来看一下本论文是怎么利用数据中潜伏的协作信号的吧。 推荐算法被广泛的运用在各个领域中，在电商领域，社交媒体，广告等领域都发挥着至关重要的作用。推荐系统的核心内容就是根据用户以前的购买和点击行为来评估用户对一个物品的喜爱程度，从而针对每个用户进行个性化推荐。协同过滤算法认为历史行为相似的用户之间的兴趣是相同的，所以给用户推荐的是同类型用户的爱好，也就是UserCF，而ItemCF给用户推荐的是跟历史行为相近的物品。 传统的协同过滤方法要么是基于矩阵分解，要么是基于深度学习的，这两种方法都忽略了一个非常关键的信息---user和item交互的协作信号，该信号隐藏在user和item的交互过程中。原始的协同过滤方法忽略了这种信息，所以在进行user 和 item representation时就不足以较好的进行embedding。 本论文通过将用户项交互（更具体地说是二分图结构）集成到embedding过程中，开发了一个新的推荐框架神经图协同过滤（NGCF），该框架通过在其上传播embedding来利用user-item图结构。这种方法在用户项目图中进行高阶连通性的表达建模，从而以显式方式将协作信号有效地注入到embedding过程中。 在介绍模型之前先来讲解一下什么是useritem interaction以及什么是高阶的useritem interaction。 我们先看左边的图，这个图就是useritem interaction，u1是我们待推荐的用户，用双圆圈表示，他交互过的物品有i1，i2，i3。在看右边这个树形结构的图，这个图是u1的高阶interaction图，注意只有l > 1的才是u1的高阶连接。观察到，这么一条路径，u1 ← i2 ← u2，指示u1和u2之间的行为相似性，因为两个用户都已与i2进行了交互。而另一条更长的路径，u1←i2←u2←i4暗示u1可能会点击i4，因为他的相似用户u2之前已经购买过i4。另一方面，用户u1在l = 3这一层会更倾向于i4而不是i5，理由是i4到u1有两条路径而i5只有一条。 当然这种树结构是不可能通过构建真正的树节点来表示的，因为树模型比较复杂，而且结构很大，没法对每个用户构建一个树，这样工作量太大了。那么怎么设计模型结构可以达到跟这个high-order connectivity的效果呢，这个就要运用到神经网络了。通过设计一个embedding propagation layer来表示这种embedding 在每个层之间的传递。 还是拿上面那张图举例子，堆叠两层可捕获u1←i2←u2的行为相似性，堆叠三层可捕获u1←i2←u2←i4的潜在推荐以及信息流的强度（由层之间的可训练权重来评估），并确定i4和i5的推荐优先级。 这个跟传统的embedding是一样的，都是对原始的userID和itemID做embedding，跟传统embedding不同的地方是，在我们的NGCF框架中，我们通过在用户-项目交互图上传播embedding来优化embedding。 由于embedding优化步骤将协作信号显式注入到embedding中，因此可以为推荐提供更有效的embedding。 这一层是本文的核心内容，下面我们来进行详细的解读。 从直观上来看，用户交互过的item会给用户的偏好带来最直接的依据。类似地，交互过某个item的用户可以视为该item的特征，并可以用来衡量两个item的协同相似性。 我们以此为基础在连接的用户和项目之间执行embedding propogation，并通过两个主要操作来制定流程：消息构建和消息聚合。 Message Construction(消息构建) 对于连接的user-item对(u,i)，我们定义从i到u的消息为： 其中ei是i的embedding，eu是u的embedding，pui是用于控制每次传播的衰减因子，函数f是消息构建函数，f的定义为： 其中W1和W2用来提取有用的embedding信息，可以看到W2控制的i和u直接的交互性，这使得消息取决于ei和eu之间的亲和力，比如，传递更多来自相似项的消息。 另一个重要的地方是Nu和Ni，pui = 1/ 。Nu和Ni表示用户u和item i的第一跳邻居。 从表示学习的角度来看，pui反映了历史item对用户偏好的贡献程度。 从消息传递的角度来看，考虑到正在传播的消息应随路径长度衰减，因此pui可以解释为折扣因子。 Message Aggregation 聚合方法如下 ： 其中 表示在第一嵌入传播层之后获得的用户u的表示。激活函数采用的是leakyrelu，这个函数适合对pos和neg信号进行编码。 另一个重要的信息是 ,它的定义如下： 这个信息的主要作用是保留原始的特征信息。 至此，我们得到了 ，同样的方法，我们也能获得 ，这个都是first order connectivoty的信息。 根据前面的计算方式，我们如果将多个Embedding Propagation Layers进行堆叠，我们就可以得到high order connectivity信息了： 计算方式如下： 当我看到这里的时候，我的脑子里产生了一个大大的疑惑，我们在计算第l层的eu和ei时都需要第l-1层的信息，那么我们怎么知道ei和eu在第l层是否存在呢？也就是说出现u侧的总层数l大于i侧总层数的时候，我们如何根据第l-1层的ei来计算第l层的e呢？经过思考，我感觉应该是这样的，训练样本应该是一条path，也就是这个例子是u1 ← i2 ← u2 ← i4这条path，所以可以保证u1跟i4的层数l是一样的，所以不存在上面那个层数不匹配的问题。 ps:看到后面的实验结果才知道L是固定的所以每一层都不会缺失。 还有一个就是，不同层之间的W是不一样的，每一层都有着自己的参数，这个看公式就知道，理由就是我们在提取不同层信息的时候需要不同的W进行信息提取。 另一个疑惑是pui到底是不是每一个l层都一样？这里看公式好像就是指的是第一跳的Nu和Ni进行就计算的结果。 这部分内容是为了在进行batch训练的时候进行矩阵运算所推导的数学过程，其实跟之前我们讲的那个过程在数学上的计算是完全一样的，你想象一下，如果不用矩阵进行运算，在训练过程中要如何进行这么复杂的交互运算。 当进行了l层的embedding propagation后，我们就拥有了l个eu和l个ei，我们将他们进行concate操作： 这样，我们不仅可以通过嵌入传播层丰富初始嵌入，还可以通过调整L来控制传播范围。 最后，我们进行内积计算，以评估用户对目标商品的偏好： 采用的是pair-wise方式中的bpr loss：
综述类: 1、Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions。最经典的推荐算法综述 2、Collaborative Filtering Recommender Systems. JB Schafer 关于协同过滤最经典的综述 3、Hybrid Recommender Systems: Survey and Experiments 4、项亮的博士论文《动态推荐系统关键技术研究》 5、个性化推荐系统的研究进展.周涛等 6、Recommender systems L Lü, M Medo, CH Yeung, YC Zhang, ZK Zhang, T Zhou Physics Reports 519 (1), 1-49 （ ） 个性化推荐系统评价方法综述.周涛等 协同过滤： factorization techniques for recommender systems. Y Koren collaborative filtering to weave an information Tapestry. David Goldberg （协同过滤第一次被提出） Collaborative Filtering Recommendation Algorithms. Badrul Sarwar , George Karypis, Joseph Konstan .etl of Dimensionality Reduction in Recommender System – A Case Study. Badrul M. Sarwar, George Karypis, Joseph A. Konstan etl Memory-Based Collaborative Filtering. Kai Yu, Anton Schwaighofer, Volker Tresp, Xiaowei Xu,and Hans-Peter Kriegel systems:a probabilistic analysis. Ravi Kumar Prabhakar recommendations: item-to-item collaborative filtering. Greg Linden, Brent Smith, and Jeremy York of Item-Based Top- N Recommendation Algorithms. George Karypis Matrix Factorization. Ruslan Salakhutdinov Decompositions,Alternating Least Squares and other Tales. Pierre Comon, Xavier Luciani, André De Almeida 基于内容的推荐： Recommendation Systems. Michael J. Pazzani and Daniel Billsus 基于标签的推荐： Recommender Systems: A State-of-the-Art Survey. Zi-Ke Zhang(张子柯), Tao Zhou(周 涛), and Yi-Cheng Zhang(张翼成) 推荐评估指标： 1、推荐系统评价指标综述. 朱郁筱，吕琳媛 2、Accurate is not always good：How Accuacy Metrics have hurt Recommender Systems 3、Evaluating Recommendation Systems. Guy Shani and Asela Gunawardana 4、Evaluating Collaborative Filtering Recommender Systems. JL Herlocker 推荐多样性和新颖性： 1. Improving recommendation lists through topic diversification. Cai-Nicolas Ziegler Sean M. McNee, Joseph Lausen Fusion-based Recommender System for Improving Serendipity Maximizing Aggregate Recommendation Diversity：A Graph-Theoretic Approach The Oblivion Problem：Exploiting forgotten items to improve Recommendation diversity A Framework for Recommending Collections Improving Recommendation Diversity. Keith Bradley and Barry Smyth 推荐系统中的隐私性保护： 1、Collaborative Filtering with Privacy. John Canny 2、Do You Trust Your Recommendations? An Exploration Of Security and Privacy Issues in Recommender Systems. Shyong K “Tony” Lam, Dan Frankowski, and John Ried. 3、Privacy-Enhanced Personalization. Alfred 4、Differentially Private Recommender Systems：Building Privacy into the Netflix Prize Contenders. Frank McSherry and Ilya Mironov Microsoft Research, Silicon Valley Campus 5、When being Weak is Brave: Privacy Issues in Recommender Systems. Naren Ramakrishnan, Benjamin J. Keller,and Batul J. Mirza 推荐冷启动问题： Boltzmann Machines for Cold Start Recommendations. Asela Preference Regression for Cold-start Recommendation. Seung-Taek Park, Wei Chu Cold-Start Problem in Recommendation Systems. Xuan Nhat and Metrics for Cold-Start Recommendations. Andrew I. Schein, Alexandrin P opescul, Lyle H. U ngar bandit(老虎机算法,可缓解冷启动问题): 1、Bandits and Recommender Systems. Jeremie Mary, Romaric Gaudel, Philippe Preux 2、Multi-Armed Bandit Algorithms and Empirical Evaluation 基于社交网络的推荐： 1. Social Recommender Systems. Ido Guy and David Carmel A Social Networ k-Based Recommender System(SNRS). Jianming He and Wesley W. Chu Measurement and Analysis of Online Social Networks. Referral Web：combining social networks and collaborative filtering 基于知识的推荐： 1、Knowledge-based recommender systems. Robin Burke 2、Case-Based Recommendation. Barry Smyth 3、Constraint-based Recommender Systems: Technologies and Research Issues. A. Felfernig. R. Burke 其他： Trust-aware Recommender Systems. Paolo Massa and Paolo Avesani
毕业论文电影推荐系统
电影推荐系统功能包括票房统计，评分推荐，电影类型推荐。
项目流程：首先获取用户id，删除用户之前存在的推荐结果，装载样本评分数据（不同用户对不同电影的评分数据：userid、 movieid、rating、timestamp ）。然后装载电影信息数据（从movieinfo表中取出movieid、moviename、typelist）。
注：样本评分数据和电影信息数据以.dat文件的形式被传入HDFS中。
将样本评分数据切分成3部分，60%用于训练（训练集）、20%用于校验(校验集)、20%用于测试（测试集）
训练不同参数下的模型，并在校验集中校验，找出最佳模型。
设置参数（隐语义因子的个数、ALS的正则化参数、迭代次数），将设置的参数和训练集作为参数传入到spark MLlib库的ALS（）函数中，得到推荐模型，调整参数会得到多个不同的模型。
校验方法：
将校验集装入模型中，得到用户对电影的预测评分，计算预测评分和实际评分的均方根误差，找出多个模型中均方根误差最小的模型作为最佳模型。
用最佳模型预测测试集的评分，并计算预测评分和实际评分的均方根误差，改进最佳模型。
用最佳模型预测某用户对电影信息数据集中的所有电影的评分，选出评分最高的前十部电影。将推荐结果存入数据库recommendresult表中
————————————————
版权声明：本文为CSDN博主「塞奈」的原创文章，遵循CC BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：
论文地址： 看完MMoE后接着看这一篇，进一步加深对MMoE的理解 9次。从19年9月出来后，不到半年能引用9次，算是相当不错了 同样没往arXiv上挂，中了19年9月的RecSys。同样是G家出品，来自YouTube那边，10个作者中英混合。一作 赵哲 PHD毕业于密歇根大学，和MMoE的一作马家祺一个学校的，本文是赵哲最近在google任research scientist完成的。 本文应用于YouTube的多目标排序系统。主要面对两个问题，第一个就是存在多个相互竞争的排序目标，第二个就是用户反馈中隐含了选择偏见。为了解决这些问题，本文用MMoE优化多目标排序，用W&D减轻选择偏见。 现实世界的大规模视频推荐系统存在的挑战，包括： 1 不同的有时甚至相互冲突的优化目标。例如除了观看之外，还希望推荐用户评价高并与朋友分享的视频。 2 系统中的隐式偏见。例如用户点击并播放一个视频可能是因为其排序靠前而不是用户真的最喜欢它。因此使用从当前系统生成的数据训练模型将产生偏差，从而导致反馈循环效应。 为了解决这些挑战，本文提出的模型如图1所示。它继承自Wide & Deep，采用了MMoE进行多任务学习。此外，还引入了一个浅层塔来消除选择偏差。 具体来说，首先将多个目标分为两组：1）互动目标，例如点击，与推荐视频的参与程度 2）满意度目标，例如点赞，评分。使用MMoE来学习多目标，混合专家架构将输入层模块化为专家，每一个聚焦于输入的不同方面。这提升了从多种模态生成的复杂特征空间学习到的表示。接着利用多门网络，每个目标选择专家来决定是否与其他专家共享。 为了消除偏差，提出了如图1左侧所示的浅层塔结构，它以与选择偏差相关的特征作为输入，例如排序顺序。输出是一个标量，作为主模型最终预测的一个偏置项。 本文主要贡献如下： 工业推荐系统的主要挑战是可扩展性。主要依赖隐式反馈。 举个例子，一个用故可能点击了一个item，最终却不喜欢它。用户仅仅对点击过或有交互过的item才能进行评分。 用户和当前系统会有选择偏差，例如，一个用户点击过一个item只是因为它被当前系统选出来了，即使它不是整个库中最有用的一个。因此，基于当前系统生成的数据来训练新模型会导致偏向当前系统，引起反馈循环效应。 《Evaluating the accuracy of implicit feedback from clicks and query reformulations in web search》这篇07年的文章最先分析了隐式反馈中的位置偏差和展现偏差。 一个最常用的实践是在训练时将位置作为模型的输入特征，在预测时将其移除。 除了之前提到的挑战，现实世界的大规模推荐系统还有如下因素需考虑： 采用多种候选生成算法，每一种作为查询视频和候选视频之间相似度的一方面。 排序系统学习两种类型的用户反馈：1）交互行为，例如点击和观看。2）满意度行为，例如点赞和退出。将排序问题建模为多目标分类问题和回归问题的组合。本文采用point-wise的方法，主要是出于性能的考虑，pair-wise和list-wise限制了系统的可扩展性。 为了描述方便，本文将所有目标分为两类：互动目标和满意度满标。互动目标包括点击和观看，将点击定义为二分类任务，将观看时长定义为回归任务。类似的，对于满意度目标，将是否喜欢视频定义为二分类任务，将打分定义为回归任务。分类任务用交叉熵损失，回归任务用平方损失。 对于每个候选，使用加权乘法形式的组合函数输出组合分数，这些权重是在考虑最佳用户互动和用户满意度之上手动调节的。 MMoE是一种软参数共享模型，其核心理念是用MoE层替代共享ReLu层，同时为每个任务增加一个单独的门网络。 本文提出增加的专家位于共享隐层之上，如图2b所示，这是因为MoE层能从输入中学习到模块化信息。当直接在输入层或较低的隐层使用时，可以更好地模拟多模态特征空间。然而，直接应用MoE层在输入层将显著增加模型的训练和预测成本，这通常是因为输入层的维度远高于隐层的维度。 公式这里基本上就照搬MMoE原作的公式了，值得注意的是，与Hilton等人在17年提出的稀疏门控网络（在该网络中，专家的数量可能很多，并且每个训练样本仅利用顶级专家）相反，本文使用的专家相对较少。这是因为为了鼓励通过多个门控网络来共享专家并提升训练效率。 在YouTube的排序系统中，查询是当前观看的视频，候选是相关的视频，用户通常会倾向点击并播放展示位于前列的视频，而忽略了他们本身真正的偏好，无论是与观看视频的相关性还是用户偏好来说都是这样。建模并消除选择偏差可以提升模型质量，并打破选择偏差带来的反馈循环问题。 本文模型采用类似Wide & Deep架构，将模型分为两个部分，主塔的用户效用部分和浅层塔的偏差部分。具体来说，用诸如位置特征等偏差特征训练浅层网络，之后将其与主模型相加作为最终的logit，如图3所示。 训练时，所有曝光位置的都使用，用10%的丢弃率丢弃改特征，以防止模型过度依赖位置特征。在serving时，位置特征被视为缺失。将位置特征与设备特征交叉的原因是，在不同类型的设备上观察到不同的位置偏差。 对于本文模型和基线模型，训练都是一直持续的。离线实验监控的指标是AUC和平方损失。在线实验做A/B测试，同时考虑serving时的性能开销。 如图2a所示，出于性能考虑，本文的MMoE层共享一个底层隐藏层，而不是直接共享输入层。 如表1所示。 如图5所示，绘制了每个任务每个专家在softmax门网络上的累积概率。可以看到一些互动任务同其他共享任务共享多个专家。而满意度任务倾向于共享一个小子集上的专家。 另外，本文也验证了直接在输入层上使用MMoE，发现在线实验结果与图2b相比并没有显著差异。 这一节介绍了MMoE的一个坑，hinton等人在17年的《Outrageously large neural networks: The sparsely-gated mixture-of-experts layer》指出softmax门网络会有不平衡的专家分布问题，即门网络闭合时专家上的多数值都为0。本文发现有20%的几率会出现这种极化现象。为解决该问题，在门网络上使用dropout，通过以10%的几率将专家的利用率设置为0并重新归一化softmax输出，本文消除了们门网络的极化问题。 如图6所示，位置越前CTR越高。在更前面更高的CTR综合了item是更相关的以及位置偏差的影响。 方法A：直接使用位置特征作为输入 方法B：对抗学习 本文感觉行文有点啰嗦，许多相同的话在不少地方重复。读这篇前一定要先读MMoE的原作，因为这篇基本上就是MMoE的应用，加了个偏置网络用来消除偏置，如果只有MMoE，这篇文章铁定发不出去。另外本文有不少小trick可以借鉴，比如MMoE的专家不能从太底层开始，比如训练时丢弃10%的偏差特征，比如用设备与位置做特征交叉等等。另外，从实验上来看，指标的相对提升也没有特别明显。 YouTube排序系统中的多目标问题和训练数据偏置问题 应用MMoE，和偏置网络分别解决，最后融合在一起 只在YouTube自己的数据上做了实验，给出的提升是相对提升，感觉不是很大 最后多目标分数的融合还是根据经验手调的 拿来主义，工程应用论文 MMoE论文笔记
国内电影推荐系统有哪些本文设计了一个个性化电影推荐系统。众所周知，现在电影资源是网络资源的重要组成部分，随着网络上电影资源的数量越来越庞大，设计电影个性化推荐系统迫在眉睫。所以本文旨在为每一个用户推荐与其兴趣爱好契合度较高的电影。论文首先阐述推荐系统的研究现状以及意义，随后介绍了相关的推荐算法，重点介绍协同过滤算法，并对系统实现所需技术进行了研究，接着介绍了整个推荐系统的实现，最后对整个项目进行了回顾与总结。本系统包含电影前端展示界面、电影评分板块、推荐算法的实现以及后端数据库的设计。其中实现推荐算法是整个电影推荐系统的核心。系统采用由grouplens项目组从美国著名电影网站movielens整理的ml-latest-small数据集，该数据集包含了671个用户对9000多部电影的10万条评分数据。首先将该数据集包含的全部文件经过筛选重组之后存储到建好的数据库中，并将数据集按一定比例划分为训练集和测试集，对训练集进行算法分析生成Top-N个性化电影推荐列表，然后在测试集上对算法进行评测，至少包括准确率和召回率两种评测指标。协同过滤算法是推荐领域最出名也是应用最广泛的推荐算法。所以系统拟采用两种协同过滤算法给出两种不同的推荐结果，一种是基于用户的协同过滤算法，另一种是基于物品的协同过滤算法，用户可以根据两种推荐结果更加合理的选择合适的电影。系统采用了改进之后的ItemCF-IUF和UserCF-IIF算法，对计算用户相似度和物品相似度的计算都做出了改进。最后通过计算两种算法的准确率（Precision）、召回率(Recall)和流行度从而对系统进行评测、并比较了两种算法各自的优势和劣势。实验证明，改进后的算法比原始的协同过滤算法推荐效果要好，准确率更高。整个系统涉及到的编程语言包含Python、Html5、JQuery、CSS3以及MySQL数据库编程。用到的框架是Django重量级web框架，通过该框架连接系统的前、后端。用户首先需要填写用户名、密码以及邮箱注册系统，然后才能登陆推荐系统。进入首页后会看到8个电影分类，包括恐怖片、动作片、剧情片等。用户需要给自己看过的电影进行评分，评分起止为0。5-5。0分，共10个分段。每评价一部电影就要点击一下提交按钮，将所评分的电影的imdbId号以及对应的评分存入数据库中。用户点击“推荐结果”按钮，系统就调用推荐算法遍历数据库所存数据，得出推荐列表之后将结果反馈给浏览器，同时调取数据库所存电影海报图片进行展示。用户点击自己登陆的昵称，会跳转页面显示自己已经评价过的电影。本文还分析了系统的需求，并对需求进行相关设计，最后用Django框架实现了该系统，并给出了系统所用的主要数据表展示以及各个功能界面的展示。
毕业论文设计推荐表
学生毕业设计（论文）终稿（由学生填写）此部分写这样三个方面内容：第一，你为什么选择这个题目？（一般说明这个论文题目与自己所学专业相关，与自己的实际工作相关或自己对此有过研究，想更深入研究等等）。第二，你是怎样完成论文写作的？（一般说明怎样与指导老师沟通定下论文题目，怎样去查找资料，包括网上、杂志、报纸、书籍及内部资料等，又是怎样完成初稿，经过修改到最终定稿的过程）。第三，你在完成论文写作后，有什么样的收获、体会、感想、心得等等？（一般从对以后的学习、工作等方面的收获进行说明）。
目录是用来列出文档中的各级标题及标题在文档中相对应的页码。首先介绍Word的一个概念：大纲级别。Word使用层次结构来组织文档，大纲级别就是段落所处层次的级别编号，Word提供9级大纲级别，对一般的文档来说足够使用了。Word的目录提取是基于大纲级别和段落样式的，在Normal模板中已经提供了内置的标题样式，命名为“标题1”、“标题2”，…，“标题9”，分别对应大纲级别的1－9。我们也可以不使用内置的标题样式而采用自定义样式，但有点麻烦。下文中的目录制作方法直接使用Word的内置标题样式，关于自定义样式的方法请参阅Word的帮助文档。 目录的制作分三步进行。 1)修改标题样式的格式。通常Word内置的标题样式不符合论文格式要求，需要手动修改。在菜单栏上点“格式｜样式”，列表下拉框中选“所有样式”，点击相应的标题样式，然后点“更改”。可修改的内容包括字体、段落、制表位和编号等，按论文格式的要求分别修改标题1－3的格式。 2)在各个章节的标题段落应用相应的格式。章的标题使用“标题1”样式，节标题使用“标题2”，第三层次标题使用“标题3”。使用样式来设置标题的格式还有一个优点，就是更改标题的格式非常方便。假如要把所有一级标题的字号改为小三，只需更改“标题1”样式的格式设置，然后自动更新，所有章的标题字号都变为小三号，不用手工去一一修改，即麻烦又容易出错。关于如何应用样式和自动更新样式，请参考Word帮助。 3)提取目录。按论文格式要求，目录放在正文的前面。在正文前插入一新页（在第一章的标题前插入一个分页符），光标移到新页的开始，添加“目录”二字，并设置好格式。新起一段落，菜单栏选“插入｜索引和目录”，点“目录”选项卡，“显示级别”为3级，其他不用改，确定后Word就自动生成目录。若有章节标题不在目录中，肯定是没有使用标题样式或使用不当，不是Word的目录生成有问题，请去相应章节检查。此后若章节标题改变，或页码发生变化，只需更新目录即可。 注： 目录生成后有时目录文字会有灰色的底纹，这是Word的域底纹，打印时是不会打印出来的（如果你愿意浪费一张纸可以试着打印一下目录）。在“工具｜选项”的“视图”选项卡可以设置域底纹的显示方式。
毕业前必须知道的事系列之四，大学毕业生推荐表重不重要？就业推荐表的作用？今天就给大家一一解答。
就业推荐表，是“毕业生双向选择就业推荐表 ” 的简称，是学院向用人单位推荐毕业生的书面材料。
主要用途：
在大学应届毕业生毕业前夕，确定获得毕业证及学位，但是还没有发放情况下暂时用于毕业生找工作身份介绍及在校情况介绍之用。例如应届毕业生参考国家公务员，在笔试通过，进入面试但是没有取得毕业证及学位证的情况下应出具所持有的毕业生登记表（或毕业生就业推荐表）。
扩展资料：
需要填写的内容：
1、姓名：要求填写工整，必须与身份证上姓名相一致。
2、毕业专业：如旅游管理、计算机应用技术等。
3、政治面貌：（中共党员、中共预备党员、共青团员、群众）。
4、学制：五年制学生填写为二年，其余为三年。大学四年学制的就写四年。
5、E-mail：清楚、工整填写，并注意数字“0”与字母“O”之间的区别。
6、专业与技能等级证书：填写已取得证书的名称与级别，包括其他职业资格水平证书的名称。
7、任职情况、社会实践、奖惩情况：填写在校期间相关情况，尽量注明相应的时间或学期。
打印平台：
1、学生登录用户名为学号，密码为8位出生日期。各分校和教学点教师登录账号，由系统管理员分配。
2、学生登录平台后，必须填写以下六项：联系电话、奖惩情况、主要学习经历、自我鉴定、毕业实习单位及主要内容和毕业论文或毕业设计题目。基本信息（如姓名、性别、民族、身份证号、学历层次、电子注册号等）自动显示，不需要填写。
3、学生提交毕业生登记表后，经教学点教师审核，分校教师上传省校，省校教师就可以直接批量打印毕业生登记表。
参考资料来源：百度百科-就业推荐表
参考资料来源：百度百科-毕业生登记表
推荐一个靠谱的论文查重系统
论文查重的网站有：万方、知网、paperpass、paperfree等。
1、万方数据文献相似性检测服务采用科学先进的检测技术，实现海量学术文献数据全文比对，秉持客观、公正、精准、全面的服务原则,为用户提供精准详实的相似性检测结果，呈现多版本、多维度的检测报告。
2、知网一般指中国知网。中国知网，始建于1999年6月，是中国核工业集团资本控股有限公司控股的同方股份有限公司旗下的学术平台。知网是国家知识基础设施（National Knowledge Infrastructure，NKI）的概念，由世界银行于1998年提出。
3、PaperPass是全球首个中文文献相似度比对系统，已经发展成为一个中文原创性检查和预防剽窃的在线网站。一直致力于学术论文的检测。PaperPass诞生于2007年。
4、PaperFree论文查重软件通过海量数据库对提交论文进行对比分析，准确地查到论文中的潜在抄袭和不当引用，实现了对学术不端行为的检测服务。
为用户人性化完美实现了“免费论文检测—在线实时改重—全面再次论文检测—顺利通过论文检测“的整个全过程。老牌查重软件，海量数据库，查重范围广，价格优惠，性价比超高。
维普查重、万方论文查重网站、PaperPP论文查重系统、中国知网、学术不端网都是不错的查重软件
1、维普查重：维普查重可个人查重，在该官网内付费即可查重论文，检测完成下载查重报告即可查看到信息的论文重复率结果。维普网论文查重报告通常分为5大部分报告内容，分别是相似度对比报告、片段对照报告、格式分析报告、原文对照报告、PDF报告等内容。
2、万方论文查重网站：而万方论文查重网站查重的价格，其检测收费模式与知网论文查重系统的收费模式有很大不同，知网是按论文篇数与次数定价收费的，不同查重版本检测一篇论文一次所收取的费用各有不同，而万方论文查重网站对于查重论文的收费却不是按篇收费，而是按查重论文的全文字数来收费的。
通常本科论文查重的费用是按照上传查重的论文的字数以每1万字收取20元来收费的，且不满足1万字的论文按1万字来计算，而对于万方的硕、博论文的检测查重费用为每1万字25元。可见万方论文查重网站查重价格是十分物美价廉了，无论是价格还是查重系统本身的查重准确度都是较为适合论文初稿查重的。
3、PaperPP论文查重系统：属于PaperPP品牌产品，致力于为毕业生提供完善的学术不端论文检测服务，通过对比库及智能AI技术为用户提供毕业论文查重。PaperPP论文查重系统定期更新比对数据库，保证学术期刊，学位论文，硕博等论文查重结果的精准，坚决保护用户隐私。 聚合文献检索、知网查重等众多论文检测功能。
4、中国知网：凭借优质的内容资源、领先的技术和专业的服务，中国知网在业界享有极高的声誉，在2007年，中国知网旗下的《中国学术期刊网络出版总库》获首届“中国出版政府奖”，《中国博士学位论文全文数据库》、《中国年鉴网络出版总库》获提名奖。这是中国出版领域的最高奖项。国家“十一五”重大网络出版工程-----《中国学术文献网络出版总库》也于2006年通过新闻出版总署组织的鉴定验收。
5、学术不端网：学术不端网是最准确的中国知网论文查重检测系统入口:知网期刊AMLC、知网本科PMLC、知网等CNKI论文查重软件,可供高校硕士博士研究生学位毕业论文查重、大学生论文抄袭行为检测和已发表文献职称评审使用。被誉为最靠谱的论文重复率相似性检测网站。
论文查重权威系统如下：
1、知网论文查重系统：知网查重系统应当是不少人都有所了解的一个查重网站，它具备的优势也十分突出，如数据库庞大、文章、资料更新及时，可以为使用者提供十分可靠的查重结果;知网查重系统还具备了批量上传、下载测等功能，便于保障使用者的查重效率，节省查重时间。
2、PaperPass检测系统: PaperPass采用 了自主研发的动态指纹越级扫描检测技术，具备查重速度快、精度高的优点，高度的准确率可以为使用者提供精确的查重报告，有利于使用者及时的对论文进行修改、调整。
3、万方论文查重系统：万方查重系统采用的检测技术十分先进科学，能够为使用者提供多版本、多维度的论文查重报告;万方查重系统还可同时为科研管理、教育教学、人事管理等多个领域的学术机构提供学术成果相似性检测服务。
4、维普论文查重系统：该论文查重系统采用了国际领先的海量论文动态语义跨域识别加指纹比对技术，能够快捷准确的检测论文是否存在抄袭问题；中文期刊论文库、硕博学位论文库、高校特色论文库、多个数据库的存在，也使得维普论文查重系统能够高效的比对文本数据。
系统论文推荐文献
管理系统参考文献
文献意思为有历史意义或研究价值的图书、期刊、典章。以下是我整理的管理系统参考文献，希望对大家有所帮助。
档案管理系统设计方面的参考文献
[1] 刘洪峰,陈江波.网络开发技术大全[M].人民邮电出版社,2005：119-143.
[2] 程成,陈霞.软件工程[M].机械工业出版社,2003：46-80.
[3] 舒红平.Web 数据库编程-Java[M].西安电子科技大学出版社,2005：97-143.
[4] 徐拥军.从档案收集到知识积累[M].是由工业出版社,2008：6-24.
[5] 纪新.转型期大型企业集团档案管理模式研究[D].天津师范大学,2008：46-57.
[6] 周玉玲.纸质与电子档案共存及网络环境电子档案管理模式[J].中国科技博览,2009：44-46.
[7] 张寅玮.甘肃省电子档案管理研究[D]. 兰州大学,2011:30-42
[8] 惠宏伟.面向数字化校园的档案信息管理系统的研究与实现[D]. 电子科技大学,2006:19-33
[9] 刘冬立.基于 Web 的企业档案管理系统的设计与实现[D].同济大学,2007:14-23
[10]钟瑛.浅议电子文件管理系统的功能要素[J]. 档案学通讯,2006:11-20
[11] 杜献峰 . 基于三层 B/S 结构的档案管理系统开发 [J]. 中原工学院学报,2009:19-25
[12]林鹏,李田养. 数字档案馆电子文件接收管理系统研究及建设[J].兰台世界,2008:23-25
[13]汤星群.基于数字档案馆建设的两点思考[J].档案时空,2005:23-28
[14]张华丽.基于 J2EE 的档案管理系统设计与实现[J].现代商贸工业. 2010:14-17
[15]Gary P Johnston,David V. benefits of electronic recordsmanagement systems: a general review of published and some unpublishedcases. RecordsManagement Journal,2005:44-52
[16]Keith an electronic records management system: Apublic sector case study. Records Management Journal,2005:17-21
[17]Duranti , Principles , and Methods for the Management of Electronic RecordsR[J].Information Society,2001：57-60.
[18]Lynn C value and thepermanent record the preservation conundrum[M].International digital library perspectives,2007：34-89.
[19]Aleksej Jerman trustedpreservation service using service interaction proto-col and evidence records[J].Computers and Standards,2007：23-29.
[20]Carmela Secure Long-Term Archival of Digitally Signed Documents[M].Proceedings of the4th ACM international workshop on Storage secu-rity and survivability,2008：102-134.
[21]Elizabeth and Diffusionof Encoded Archival Description[M].Journal Of The AMERICAN Society For Information Science And Technology,2005：99-167.
[22]Carol Archival Context : Authority Control For Archives[M].Info 663-techprocesses in libraries,2006：24-56.
[23]Victor E of electronic pa-tient record use on mortality in End Stage RenalDisease , a model chronic disease : retrospective anal-ysis of 9 years of prospectively collected data[M].BMCMedical Informatics and Decision Making,2007：99-123.
[24]Surithong Heritage : Applying Digital Imaging to Cultural Heritage[M].Online Information Review[J],2007：33-46.
[25]Shien-Chiang an open archive union catalog for digitalarchives. Emerald[D] , 2005:17-27
酒店管理系统参考文献
[1]彭伟民.基于需求的酒店管理系统的建模与实现.微机发展，.
[2]翟广宇.基于C/S结构的酒店管理系统. 兰州工业高等专科学报,.
[3]薛华成.管理信息系统[M].清华大学出版社,.
[4]候炳辉,刘世峰.信息管理系统[J].信息管理系统分析,.
[5]童德利,田娟,谢琪,陈世福.基于B/S模式的构件式酒店管理信息系统的设计与实现..
[6]刘学明.饭店客房管理[M].广东旅游出版社，.
[7]张亚东.酒店企业销售管理信息系统的设计与实现[J].管理信息系统, .
[8]李朝晖.PowerBuilder开发实例完全剖[J]..
[9]萨师煊,王珊.数据库系统概论[M].高等教育出版社,.
[10]马秀莲,高志安.宾馆管理系统的设计.黑龙江八一农垦大学信息技术学院,.
学籍管理系统论文参考文献：
[1]管建军.软件工程[M].武汉：武汉大学出版社，2007.
[2]梅书荣.钢铁企业销售物流管控系统开发研究[J].计算机工程与科学，2011，33(1)：177-178.
[3]曲培新，庞永庆.Java项目开发案例精粹[M].北京：电子工业出版社，2010.
[4]陆迟.Java语言程序设计[M].2版，北京：电子工业出版社，2005.
[5]刘辉.零基础学sqlserver2005[M].北京：机械工业出版社，2008.
[6]王珊，萨师煊.数据库系统概论[M].4版，北京：高教出版社，2007.
[7]胡立坤.一种实验室综合管理系统的开发与实践[J].计算机测量与控制与科学，2010，18：1417-1419.
学籍管理系统论文参考文献：
[1]易和平.分布式多数据库高校学籍管理系统研究与应用[J].西安石油大学学报：自然科学版，2009，(7).
[2]宣华，王映雪，陈怀楚.清华大学综合教育系统在教务管理中的应用[J].计算机工程与应用，2012，(12).
[3]梁德华.浅析高等院校学籍管理信息系统的设计与开发[J].硅谷，2011，(11).
[4]李香敏.SQLServer2000编程员指南[M].北京：希望电子出版社，2000：12.
[5]杨易.JSP网络编程技术与实例[M].北京：人民邮电出版社，2005：10.
学籍管理系统论文参考文献：
[1]罗少华；基于LAMP的高校成绩管理系统的设计与实现[D]；复旦大学；2011年.
[2]石瑨；基于B/S模式的.医院信息管理系统研究与开发[D]；电子科技大学；2011年.
[3]曹维；数学课程教学网站的分析与设计[D]；云南大学；2012年.
[4]冯志华；基于PLC的沙湾水厂自控管理系统分析与设计[D]；云南大学；2012年.
[5]黄艳霞；食堂管理系统分析与设计[D]；云南大学；2012年.
[6]张小敏；4S店汽车客户服务管理系统的设计与实现[D]；电子科技大学；2012年.
[7]任静；四川教育学院学生成绩管理信息系统设计与实现[D]；电子科技大学；2012年.
[8]张成文；基于Web的中小学综合教学管理平台的研究与实现[D]；兰州大学；2013年.
[9]邓有荣；保山纪检监察信访信息管理系统的分析与设计[D]；云南大学；2013年.
文献查阅指引1．朱福喜，傅建明，唐小军《JAVA项目设计与开发范例》电子工业出版社 2005(7)2．刘晓华等《JSP应用开发详解》电子工业出版社．康博著《Web应用程序开发新技术》人民邮电出版社20024．黄名等《JSP课程设计》北京：电子工业出版社5.计算机毕业设计人民电子工业出版社2014