企业移动应用平台应用商店和用户授权管理子系统的设计与实现

这是一篇关于微服务,移动应用平台,服务授权,推荐算法的论文, 主要内容为在当今快速变化的市场环境中,企业首先要考虑的就是如何将各要素资源更有效地组织起来,以更好的服务、更低的成本、更高的价值来满足用户的需求。另一方面当前移动互联网、物联网快速渗透,从趋势演进为常态,业务的更新速度越来越快。新型互联网企业和进行数字化转型的企业都在致力于实现软件的快速迭代和交付,以提供优质的客户体验和提高公司的整体效率。不过以往的单体式架构企业应用,随着功能大量增加,代码维护与扩展越来越困难,其系统的部署也愈发繁琐。作为大型企业,解决这一系列问题来达到集团运作一体化、管理全面化、服务专业化的目的,是大势所趋,是必由之路,也是当务之急。基于微服务的企业移动应用平台正是为解决以上问题而立项开发,本文所述即是该平台的核心子系统应用商店、用户授权管理子系统的设计与实现。其中应用商店子系统功能模块主要划分为应用客户端模块、信息模块、应用发布模块、后台管理模块;用户授权管理子系统主要划分为用户管理模块、组织机构管理模块、访问授权模块、登录认证模块。它们各自主要功能是:(1)客户端模块主要为普通用户提供应用信息查询和展示、应用管理(应用下载和应用更新)、应用评论评级、程序通知公告等功能。(2)应用信息模块为用户提供指定应用信息如获取应用推荐等功能。(3)应用发布模块为移动应用开发人员提供账号应用查询、应用评论查看、应用发布管理等功能。(4)后台管理模块为平台运营人员提供应用查询、应用评论管理、应用发布审批、程序通知公告管理等功能。(5)用户管理模块为平台运营人员和普通用户提供提供用户信息管理、账号状态管理功能、个人账号管理(账号注册申请和账号信息修改)等功能。(6)组织机构管理模块为平台运营人员提供组织机构信息管理、组织机构人员管理(组织机构人员添加和组织机构人员修改)等功能。(7)访问授权模块主要为运营人员提供服务管理、角色管理(创建角色、删除角色、修改角色、角色访问服务授权)、用户角色管理等功能。(8)登录认证模块为各类用户提供单点登录、单点登出功能。企业移动应用平台正式运行期间,显示出良好的稳定性、安全性、可用性,明显提高了企业运作效率,本文设计和实现的应用商店子系统、用户授权管理子系统作为平台核心系统,在其中发挥着重要的作用。

基于用户画像的学习小组推荐系统的研究与实现

这是一篇关于在线学习,小组学习,用户画像,基于密度的聚类算法,推荐算法的论文, 主要内容为近年来随着互联网的迅速发展,在线学习已成为当下学习的趋势。在线学习不仅能够让学生及时获得最新的学习资源,而且学习的时间和地点更加灵活。然而,在线学习也存在一些缺点。在线学习减少了老师与学生、学生与学生之间面对面交流的机会。由于缺失面对面交流的机会,使学生在学习课程过程中感到孤立,学习上遇到的难题难以得到及时沟通和解决。以学习小组的学习方式将大幅改善这一状况。在学习小组内,学生之间可以深入讨论某个问题,老师也能及时对每个小组进行针对性的指导,帮助学生快速解决学习中的难题,提高学生的学习能力和学习兴趣。本文通过搭建小组学习平台,采集和分析用户的学习模式、学习兴趣和教育水平等数据来构建用户画像。在建立用户画像的基础上,对学习小组进行划分、为用户推荐学习小组以及为小组内成员推荐学习资源,研究内容具体如下:首先,研究和搭建小组学习平台,刻画用户画像。一方面,本文通过研究和分析主流在线学习平台,并结合用户线上学习的特征,设计和搭建小组学习平台;另一方面,本文通过收集学习平台中用户的数据,并整理和研究收集到的用户数据,进而为用户构建用户画像。然后,基于构建的用户画像划分学习小组,并为学习小组内的成员推荐学习资源。一方面,本文采用基于密度的聚类算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise)划分学习小组。根据用户之间的相似性进行区分,把具有相似学习特征的用户划分到一个小组中,提高划分小组的准确性,提高用户学习的积极性。另一方面,本文采用基于物品的协同过滤算法为划分后的小组成员推荐学习资源。通过计算小组之间学习资源的相似性和小组内学习资源的记录,得出推荐资源列表。最后,结合在线学习平台的特点和用户需求,本文设计和实现了基于用户画像的学习小组推荐系统。本系统分为客户端和管理端两部分。客户端:实现视频资源学习、文本资源学习、在线答题、学习心得分享、学习笔记、热点小组的展示、个人小组的管理、每日学习排行榜、答题日志和用户个人信息设置等功能;管理端:实现视频资源管理、文本资源管理、试题管理、试卷管理、学习小组管理和用户管理等功能。本系统基于B/S结构,前端使用HTML+Easy Ui,后端使用Spring MVC+Mybatis框架。系统使用Java语言和My Sql数据库,核心算法使用Python语言。

搜狐联盟广告推广平台的设计与实现

这是一篇关于搜狐联盟广告,广告推广,推荐算法,反作弊的论文, 主要内容为广告是流量变现、网站盈利的主要手段,但是站长难以找到合适的广告主来投递广告；广告主想通过网络来推广自己的产品但是却难以找到合适的站点推广自己的产品,基于这种情况,国内外涌现出了一批团队通过设计实现广告推广平台来为广告主和站长解决这种困扰,本文设计和实现的搜狐联盟广告推广平台就是其一本论文主要的工作如下：首先阐述了搜狐联盟广告推广平台的研究意义以及背景,研究了国内外对广告及广告推广平台的研究发展现状；其次调研了与该系统相关的技术,接下来对系统的总体架构、功能模块进行设计；然后利用java、ssm、memcacheched、redis、mina等技术实现了系统的相关功能。最后通过黑盒测试方法对系统各模块的功能点进行测试。本系统主要分为六部分：缓存模块、通信模块、联盟广告后台管理模块、平台后台管理模块、广告推荐服务模块、广告投放机模块。各模块主要实现的功能如下：通过缓存模块来缓存广告信息,使得客户端的响应迅速,改善了用户体验,减轻了数据库的压力；通过mina模块实现广告推荐服务器与广告投放机、计费服务器之间的快速通信；通过联盟广告后台管理模块,方便广告主实现广告的管理功能、推广任务的管理功能、账户管理功能、资质管理功能、查看自己的财务信息功能以及广告数据监测功能等；通过平台后台管理模块,方便平台管理员实现站点管理功能、广告主管理和广告管理功能；通过广告推荐服务模块,实现了广告投递的准确性,提供对用户真正有用的广告,改善用户体验；通过广告投放机模块,用于控制整个广告投放流程并做了简单的广告反作弊功能。该系统性能高,反应迅速；可用性很高,不会因为一台机器宕机导致服务瘫痪；伸缩性很好,可通过添加机器的方式应对不断增加的访问量；扩展性很好,添加新功能基本不需要改动旧的代码；安全性很高,不会让不法分子拿到敏感信息。

推荐结果多样性的评价方法及优化算法研究

这是一篇关于推荐系统,多样性评价,推荐算法,神经网络,二次排序的论文, 主要内容为推荐系统,作为挖掘用户历史数据的重要工具之一,已经被广泛应用于商业化平台。然而在过去的研究中,人们关注的推荐系统性能绝大多数都集中于准确率,导致热门商品被大量堆砌在用户面前,整体推荐结果同质化严重,因此多样性也开始成为业界衡量推荐算法质量的重要评价指标之一。目前评估推荐列表或推荐系统多样性的方法大多集中于对项目之间或者列表之间的不相似度简单地求均值的过程,这样的评价方法不足以充分反映推荐(列表)系统多样性细节。与此同时,大部分推荐算法在推荐过程中,只考虑了评分信息,没有利用用户和项目的属性信息,而在利用评分进行推荐时,又只关心评分数值的大小,忽略了其在项目的所有用户评分中的排名。本文立足于推荐系统的多样性,针对列表级和系统级评价问题,提出了两种改进的方法及相应指标;针对属性信息和评分排名问题,提出了一种结合属性嵌入神经网络和二次排序的多样性优化推荐算法。本文的主要工作如下:(1)针对列表级评价中项目位置和流行度带来的影响,提出了结合归一化累积表现-位置因子积的多样性评价方法以及NCIP指标。NCIP指标吸收了新颖性指标和NDCG指标的思想,结合归一化项目流行度和推荐列表中的位置信息作为ILD指标中项目之间的不相似度的权重。通过将推荐列表的类别数作为多样性衡量标准,验证了 NCIP指标能够拟合不同推荐长度下推荐列表的类别数变化的曲线。(2)针对推荐系统中不同活跃度用户组的多样性需求差异,提出了结合多样性需求因子和准确率的多样性评价方法以及PD指标。PD指标利用归一化用户活跃度线性融合了 Precision指标和用户级汉明距离。通过将召回类别命中率作为多样性考量依据,验证了 PD指标能够预测不同活跃度组别下的召回类别命中率。(3)为了改善推荐算法的多样性,提出了结合属性嵌入神经网络和二次排序的多样性优化推荐算法,该算法分为属性嵌入神经网络推荐模型(EA-CNN)和二次排序(FBRR)两个部分。EA-CNN是由非结构化的标题属性和其他结构化属性相结合的卷积网络构成的。FBRR则是在EA-CNN生成推荐集合后引入了逆向推荐的思想,结合TOPSIS法对推荐集合在二维推荐空间中进行二次得分排序,重构推荐列表。通过与传统推荐算法对比,EA-CNN+FBRR推荐算法生成的推荐列表能够在Precision和HD指标基本不变的前提下,在Coverage、ILD、NCIP指标上分别至少提升 10.97%、8.88%、6.95%。

基于情感分析的汽车推荐系统研究与实现

这是一篇关于文本分析,情感分析,推荐算法,汽车推荐系统的论文, 主要内容为随着互联网技术的发展,信息呈指数级增长,用户所接收的信息量也随之增大,但是其中包含了大量价值低,甚至是无效的信息,所以推荐系统逐渐成为处理信息过载的重要工具之一。目前,汽车作为一种价格区间分布广泛,性能参数评估复杂,品牌样式种类繁多的商品,往往会使缺乏相关专业性知识的客户在选购的时候耗费大量的时间成本和经济成本。据研究表明,目前推荐系统在汽车领域发展较为缓慢,其主要依赖于人工干预,所以提出了基于情感分析的汽车推荐系统。因为在汽车的评价文本中往往包含其他用户对汽车的情感倾向参照信息,可以更好地为用户精确推荐汽车。同时,通过系统需求分析也设计并实现了汽车推荐系统。将从汽车评论中提取的情感特征融入到DeepFM模型中。首先,对数据进行预处理,然后利用word2vec,fasttext预训练出的词向量进行融合,将其用于情感分析的模型中词向量的初始化;然后使用注意力机制双向lstm情感分析模型得到汽车评论的表征向量;针对所收集的用户画像,通过计算用户和汽车之间的pearson系数获得候选结果,然后将得到的汽车情感表征向量融入到DeepFM模型中,并从候选结果中得到推荐汽车列表。同时,也对汽车推荐系统进行相关需求分析,设计出了系统的总体框架,明确了开发内容,其主要功能包括用户注册与登录、主页展示、汽车详情展示以及汽车推荐等。最终,提出了基于情感分析的DeepFM模型,在此基础上实现了完整的汽车推荐系统。实验结果表明,eDeepFM模型能够缓解冷启动问题。通过F1-score证明融合汽车情感向量的模型能够提高推荐的准确度。对于系统的性能和安全性,经过测试后,基于情感分析的汽车推荐系统相较于传统的汽车推荐系统更加的可靠和精确。

基于图神经网络的推荐方法研究

这是一篇关于推荐算法,信息融合,图神经网络的论文, 主要内容为随着互联网技术的快速发展,网络负担日益加重,推荐系统能够帮助用户解决信息过载问题,为用户提供高效、精准地获取个性化信息的服务,因此受到学术界和工业界的广泛关注。目前大多数推荐模型只是基于用户与项目的交互关系进行建模,而忽略了用户属性和项目属性的辅助信息,以及忽略了用户与用户之间、项目与项目之间的隐藏信息。另外,由于图卷积网络结构的特点,当网络层数加深时,节点的特征会趋于相似,出现过平滑现象,导致模型的性能下降。针对属性表示和协作信号提取问题,我们提出了一种基于多信息融合的图卷积推荐方法。该模型包含了两个模块,分别是属性表示模块和协作提取模块。属性表示模块能够融合用户节点、项目节点的多种辅助属性信息,协作提取模块能学习用户-用户、项目-项目、用户-项目的隐藏信息,通过多信息图卷积将属性图和交互协作图的信息进行融合,从而对节点的特征属性及其交互关系更好地进行建模。与现有的先进方法相比,提出的方法在Movielens-1m数据集上Recall值和NDCG值分别提升了1.47%和1.12%,在Lastfm数据集上Recall值和NDCG值分别提升了1.45%和3.95%,充分验证了提出的方法能有效提升模型的推荐性能。针对邻居节点的权值分配和图卷积中的过平滑问题,我们提出一种基于残差连接的深层注意力图卷积推荐方法。设计了一个权重聚合模块,通过简要的注意力机制,学习不同邻居节点的贡献。设计了一个残差模块,在消息更新中引入残差结构,将节点的浅层特征输入深层网络,可以缓解图卷积中的过平滑问题,有效训练更深层数的网络模型。本文将网络模型深度设为5层,在Gowalla、Yelp2018、Amazon-book数据集上进行实验。与现有先进方法相比,Recall值分别提升了2.04%、3.39%和4.08%,NDCG值分别提升了1.41%、4.32%和4.88%,充分验证了提出的方法能有效缓解深层图卷积网络中的过平滑问题。

基于SVD的推荐系统研究及其应用

这是一篇关于推荐算法,SVD++,学习率函数,HOSVD,Apriori算法的论文, 主要内容为推荐系统是互联网高速发展的产物,在人们的生活、工作及学习中发挥着非常重要的作用。现如今,推荐系统已经在电商、电影、社交等领域获得飞速发展,国内外针对推荐系统的应用研究一直是近年的研究热点。推荐算法及其所依赖的大数据是推荐系统的核心,基于SVD的推荐技术可以针对推荐系统中用户-项目二元评分数据以及用户-项目-标签三元权值数据进行研究,是目前可以同时针对两种数据进行处理的关键且有效的算法。但是随着待处理信息的数据量不断增大,算法计算效率和推荐准确性成为推荐系统研究的关键。本文针对SVD技术在推荐系统应用中出现的计算效率低和推荐准确性不太理想的问题,分别对低阶和高阶SVD推荐算法性能进行了深入研究,本文所做的主要工作如下:1.首先,将基于SVD基本算法改进的LFM、Bias SVD和SVD++推荐算法的性能进行研究。其中LFM是将高维评分矩阵分解成两个低维用户和项目特征矩阵,Bias SVD算法是在LFM的基础上将用户和项目的基准信息加入模型,SVD++算法则是在Bias SVD算法之上又考虑了隐式信息。论文通过理论及实验分别对三个模型的性能进行了比较,结果表明,SVD++算法的计算准确性最好,但是计算效率最低;LFM算法的计算效率最高,但是准确性最差。2.其次,针对SVD++算法计算复杂度偏高导致的计算效率低问题进行了深入研究。分析SVD++算法理论模型发现,对预测模型目标函数的训练采用梯度下降法开展时,所用学习率函数性能直接影响模型训练所用迭代次数及收敛速度,因此本文提出了一种新学习率函数来对SVD++预测模型的特征参数进行学习,改进的学习率函数具有初始值大、中期下降迅速及后期值小并且缓慢变化的特点,实验证明,此方法在采用梯度下降法对SVD++算法模型进行训练的前提下,既能使SVD++推荐算法的计算效率明显提高,又能保证预测准确性不变。3.最后,本文针对基于用户-项目-标签三元数据的HOSVD推荐算法进行研究。在推荐系统里,用户-项目-标签数据会经常出现标签冗余现象,若能充分利用该特点,寻找标签与标签之间的关联性,对进一步提高预测效率非常有益。为此,本文提出了一种基于Apriori算法重组标签的HOSVD推荐算法,首先采用Apriori算法对原始标签数据进行预处理,寻找标签频繁项集,设定为新标签,并对标签进行编号,组成新的用户-项目-标签数据,再利用HOSVD算法对新组成的数据进行计算处理。通过实验,本文方法的推荐性能有了明显提高。

基于评论文本的推荐算法研究

这是一篇关于推荐算法,评论文本,评分矩阵,BERT,预训练语言模型的论文, 主要内容为随着互联网的发展,推荐系统被广泛运用在各种实际应用场景中,比如社交媒体网络应用、电子商贸平台等等。系统通过帮用户筛选出感兴趣的内容,降低用户的有效(用户感兴趣)信息获取成本,逐渐成为了人们不可或缺的重要工具。系统推荐准确度越高,用户体验感越好。因而,研究推荐算法从而提升推荐系统的正确率具有重要的实际意义和价值。然而,推荐系统面临着诸多挑战,其中之一就是评分数据的稀疏问题,为了缓解这个问题带来的影响,学者们考虑充分利用其他数据源。于是,基于评论文本的推荐算法得到发展,成为了热点研究方向之一。评论文本中蕴含着大量有用的用户信息,并且能够一定程度的表示物品特征,因而充分挖掘评论文本中丰富的语义信息,能够帮助模型提高建模质量,从而提升评分预测的能力。现有的基于评论文本的推荐算法存在以下两个局限:一、大部分模型没有充分挖掘评论文本信息,导致特征抽取精度不够;二、部分模型没有使用评分矩阵,即使是使用了评分矩阵的模型其对评分矩阵信息的学习仍旧不充分。因此本文针对上述两个主要问题进行了相关的研究,设计了相应的模型。本文的主要工作如下:1.提出基于评论建模的深度推荐模型RRMBA(Review Recommendation Model on BERT and Attention),该模型的目的在于提高文本信息的利用率,从而改进算法特征抽取能力不足的缺点。本文首先使用具有强大特征抽取能力的BERT对每一条评论进行建模,充分挖掘每条评论文本中的信息,得到各个评论的文本特征隐向量。然后利用评论级别的注意力机制,为用户和物品各评论文本隐向量计算有用价值,从而获得更具代表性的用户偏好特征和物品特征表示,最终提高预测精度。2.提出融合评分矩阵和评论文本的深度推荐模型DeepFTMM(Deep Fusion Reviews Text and Matrix Model)用于解决评分矩阵信息挖掘不充分的问题。该模型利用当前流行的图卷积神经网络,充分学习用户和物品之间更高阶的隐含交互关系,然后有效的融合了从评论文本中学到的用户物品特征表示,得到更精确的用户和物品表示,从而降低预测误差。对于提出的两个模型,本文在选取的五个Amazon子数据集上做了实验,相较基于深度学习的基准模型,RRMBA模型的平均均方误差MSE降低了3.53%,DeepFTMM模型降低了8.39%,证明了本文设计的RRMBA和DeepFTMM模型在推荐精度上都得到了提高,同时本文也为两个模型做了相应模块的消融实验,验证了各模块的合理性和有效性。

基于用户长短期兴趣的推荐算法研究与实现

这是一篇关于推荐算法,矩阵分解,长短期兴趣,序列推荐的论文, 主要内容为随着信息科学技术的发展,互联网上聚集着大量的信息,这也带来了信息过载的问题。如何精确的给用户推荐他们感兴趣的内容变得越来越重要。面对这个的问题,推荐系统的重要性不言而喻,尤其是用户面对的内容越来越多,选择越来困难。本文对推荐系统中的召回和排序进行研究,并建模用户长短期兴趣,主要完成了以下三个工作:(1)针对召回阶段用户长短期兴趣的建模,提出了基于LHUC和AM-Softmax的LSLM召回算法。LSLM基于因子分解机(FM)让用户静态特征互相交叉,挖掘和利用丰富的用户画像信息,细致刻画了用户的长期兴趣。针对用户的短期兴趣,采用Transformer结构进行建模,并将LHUC引入到神经网络中,建模用户的个性化偏置。同时,利用门控机制将用户短期兴趣和用户长期兴趣进行动态融合。通过利用AM-Softmax损失函数,LSLM实现了分类和排序的一致性。LSLM在 MovieLens 数据集上的 HR@50 和 MRR 达到了 0.5465 和 0.1468。实验结果表明LSTM模型的相比于其他召回模型具有更大的用户兴趣覆盖度。(2)针对排序阶段用户长短期兴趣的建模,提出了基于BERT和广义矩阵分解的BERTMF模型。BERTMF通过广义矩阵分解模型建模用户的长期兴趣。广义矩阵分解基于用户和物品的全局共现性,使得模型能够很好表征用户的长期偏好。BERTMF利用BERT模型建模用户近期的行为序列,并通过mask机制得到用户当前的偏好表达。为了避免用户短期兴趣发散和漂移,设计了一个融合层和注意力层,建模用户的融合兴趣偏好。BERTMF在Electronics数据集上AUC高达0.7714。实验结果表明BERTMF在多个公开数据集上的AUC都高于其他模型。(3)基于Django框架构建了一个用户个性化电影推荐系统。该系统采用LSLM算法和BERTMF算法作为基础模型进行个性化推荐。