9篇关于推荐系统的计算机毕业论文

今天分享的是关于推荐系统的9篇计算机毕业论文范文, 如果你的论文涉及到推荐系统等主题,本文能够帮助到你

基于图神经网络的孤独症教育干预资源智能化推荐

这是一篇关于孤独症,教育干预,推荐算法,图神经网络,推荐系统的论文, 主要内容为教育干预是治疗孤独症儿童最主要、最有效的方法。随着孤独症发病率逐年递增,现有的师资力量无法满足全体孤独症儿童的教育干预需求。面向孤独症儿童的教育干预还存在干预机构良莠不齐、干预资源不足、干预费用高昂等一系列问题。为此,本研究探索智能推荐算法在孤独症干预中的应用与系统实现。现有推荐算法在应用于孤独症干预推荐的过程中存在以下问题:(1)数据获取困难:孤独症干预需要精准的评估和个性化的干预方案,而孤独症患者的数据获取比较困难,需要专业的医疗机构或人员进行评估和采集,而且这些数据并不能直接应用于推荐算法。(2)对个性化的要求高:孤独症干预需要针对每个患者的情况进行个性化的推荐,这对于推荐算法的个性化提出了更高的要求,而现有的推荐算法中还存在个性化程度不够的问题。(3)推荐结果的可解释性不高:孤独症干预推荐的应用场景比较特殊,推荐结果的可解释性非常重要,而传统推荐算法往往缺乏对推荐结果的解释能力。针对上述问题,本文提出了以下解决方案。(1)对于数据获取困难的问题,本文采用了PEP(Psycho-educational Profile,PEP)量表的第三版PEP-3量表评估中的数据来表征孤独症用户,并据此建立了对应的数据集,该量表是专业且精准的孤独症评估标准,可以使推荐算法更加准确地为孤独症患者推荐合适的干预方案。(2)对于个性化推荐的问题,本文在对用户进行推荐时,引入了图卷积神经网络来提取用户的特征,引入了异构信息网络来加强用户与资源之间的关联度,以提高推荐的个性化程度。(3)对于推荐结果的可解释性问题,本文的数据集是基于人工规则去构建的,本文邀请了孤独症干预的专家来对孩子的PEP-3量表评估结果进行推荐。对于算法,本文采用了注意力机制等可解释技术,从而使得推荐结果更具可解释性。本文的创新点主要包含以下两点:(1)提出了一种基于图卷积神经网络的个性化孤独症教育干预资源推荐算法。说明了算法的设计思路,包括特征提取、元路径构建、基于注意力的图卷积以及预测矩阵生成四个部分。而后对实验指标进行了分析,比较了不同元路径组合对实验结果的影响。(2)开发了一个孤独症教育干预资源推荐系统。首先从市场和用户的角度对系统做了需求分析,而后对系统的架构、功能以及数据库模块进行了设计,接着对系统的主要功能实现做了说明和展示,最后对系统的推荐功能进行了测试和验证。从实验结果来看,本文算法在推荐的四项评估指标上,都能达到较高的水平,证明了本文算法的有效性。此外,本文对系统给出的推荐结果进行了展示和分析。经过测试证明,本系统可以为用户提供有效的推荐服务,具有一定的实用价值。

基于隐向量表示与域适应的推荐算法研究

这是一篇关于推荐系统,隐向量,网络表示学习,域适应,深度学习的论文, 主要内容为推荐系统在各大在线服务中具有广泛的应用场景,它的作用在于基于用户的兴趣为其推荐相匹配的项目,提升用户体验的同时也为系统带来更多的收益,实现用户与系统的双赢。基于深度学习的推荐算法是一个热门的研究方向,这些方法将特征映射为低维度的隐向量,但它们无法精准的衡量隐向量之间的相似关系。推荐系统中的信息之间存在关联关系,依据这些关系可以构建出图网络。采用网络表示学习方法可以提取图中的非结构化信息,丰富特征隐向量的表达。一些推荐场景下中存在文本信息,有效的利用诸如文本类别、情感等辅助信息可以提升推荐性能。复杂推荐系统存在多领域的文本信息,存在域适应的问题,这为辅助信息的提取带来了困难。针对以上问题,分别从基于深度因子分解机的推荐算法,基于异构图的推荐算法以及推荐场景下的远域文本分类三个方面进行了研究。具体工作如下:(1)基于深度因子分解机的推荐算法。提出了一种基于“宽深”结构的推荐模型,深度神经因子分解机(Deep Neural Factorization Machine)DNFM,可以精准的学习特征相似关系与全局非线性信息。“宽”部分为基于FM的改进模型,维度加权因子分解机(Dimension-weighted Factorization Machine)DwFM,DwFM改进了特征相似度计算方法,为不同的交叉领域学习不同的权重向量,可以更精准的度量特征相似性。“深”部分为一个神经网络,它可以捕获数据的高阶非线性信息,该部分提高了模型的泛化能力。(2)基于异构图的推荐算法。提出了一种基于异构图嵌入的推荐模型,个性化出行预测(Personalized Taxi Demand Prediction)TDP,为用户推荐其感兴趣的起点与终点对。首先基于区域的共现信息以及时间属性信息构建多个异构图,联合多个异构图求得区域的向量化表示。再采用向量化召回技术得到用户感兴趣的起点与终点集合。最后使用基于深度神经网络的排序模型得到用户感兴趣的Top K起点与终点对。(3)推荐场景下的远域文本分类。提出了基于选择迭代的模型,选择域适应算法(Selective Domain Adaption Algorithm)SDAA,为推荐提供好的多源信息辅助。文本是推荐应用的一个重要辅助信息,其存在远域适应的问题。SDAA迭代的从源域与中间域中基于类别与结构相似性选择有意义的数据,进而与目标域进行知识迁移,并采用流形损失来控制迭代优化的过程。

基于组合差分隐私的动态社会化推荐算法研究

这是一篇关于推荐系统,动态社会化推荐,组合差分隐私,数据纵向切分的论文, 主要内容为随着信息技术高速发展,各类社交、音视频、游戏等软件应运而生,人们生活趋于数字化、便捷化,当前互联网上存在可用信息少、冗余信息多,真实信息少、虚假信息多等问题,这些问题严重的影响和降低人们的生活质量。当前的推荐系统虽然较好的解决了这些问题,很大地程度的改变了人们的生活方式,提高了生活质量。但是,随着推荐系统广泛深入地运用用户数据,推荐系统的预测准确性和用户隐私信息的安全性难以兼顾,推荐系统对用户越了解,掌握用户有用信息越多,用户使用推荐系统的功效就越好,那么越容易泄露用户隐私信息。同时,现有的推荐算法多数立足于对静态的推荐系统进行预测,即在某个可以确定的时间区间内,利用其推荐系统的数据进行计算实现推荐目的。而现实生活中,因网民不断交互使用,用户和物品以及评分都在随机变化,推荐算法使用的数据也必然是在动态变化当中。因此,基于隐私保护的动态社会化推荐算法研究将是一个研究趋势。本文的研究立足于上述背景,主要做了以下3项工作:(1)研究了基于差分隐私的社会化推荐算法和数据纵向切分下基于组合差分隐私的社会化推荐算法,并对比分析两种算法的优点和不足。(2)在深入分析数据纵向切分下基于组合差分隐私的社会化推荐算法基础上,引入自注意力机制和时间遗忘函数,提出了一种数据纵向切分下基于组合差分隐私的动态社会化推荐算法,并进行了隐私性分析。(3)采用多方数据方的评分数据,同时对基于差分隐私的社会化推荐算法、数据纵向切分下基于组合差分隐私的社会化推荐算法及数据纵向切分下基于组合差分隐私的动态社会化推荐算法进行评测,对比分析算法的隐私保护性能和预测能力。

基于评分预测的个性化推荐算法优化

这是一篇关于推荐系统,协同过滤,相似度计算,评分预测,隐式反馈的论文, 主要内容为近年来,随着网络发展的多元化,信息过载问题日益严重。分类目录和搜索引擎是早期出现的解决信息过载问题的两类主流方案。但是随着互联网规模的不断扩大,分类目录网站只能覆盖有限的热门网站,而搜索引擎则需要用户主动提供关键词来寻找信息,在用户不清楚自己需求的情况下具有很大的局限性。这时,个性化推荐技术应运而生。个性化推荐技术可以分析和挖掘用户潜在偏好,是解决大数据时代信息冗余问题、提高人们信息获取的效率和质量的重要手段。本项研究工作研究了基于评分预测的个性化推荐算法,并从基于邻域和基于学习两个方面进行算法的优化。这里的“评分”指广义的评分,即用户对物品的偏好分值,不只是狭义的用户打分。实验结果表明,对比优化前的算法,本项研究工作实现了更高精度和鲁棒性的个性化推荐。本论文的研究内容和贡献包括以下方面:1.在基于邻域的评分预测推荐中,针对传统的基于用户的推荐算法中存在的不足,如忽略用户评分归一化的必要性、以及用户相似度计算中加权用户属性而导致推荐不准确等问题,本项研究工作以用户相似度计算的改进为中心,进行用户评分归一化、用户评分的Jaccard相似性计算方法改进、加入用户属性相似度,并与用户评分相似度线性结合,最终提出了一个优化的基于用户的协同过滤推荐算法O-recommend。并通过实验,验证了用户综合相似度计算中用户评分归一化和评分相似度计算方法优化以及加权用户属性三点改进的必要性,并证明改进算法提高了推荐精度。2.在基于学习的评分预测推荐中,针对传统推荐算法主要基于显式反馈信息,即用户对商品的独立选择进行预测的方法中存在的不足,本项研究工作提出了一种基于多类型隐式反馈的推荐系统MIF,将商品对而非单个商品作为用户兴趣建模的基础,引入商品比较信息这一重要的隐式反馈信息,基于贝叶斯的排序模型来建模商品间的比较关系,并对不同类型的隐式比较行为赋予不同的置信度,最后通过实验验证了改进算法的有效性。

融合注意力机制的深度协同过滤推荐算法研究

这是一篇关于推荐系统,协同过滤,深度学习,注意力机制的论文, 主要内容为互联网技术的飞速发展极大地增加了网络上的信息量。面对这样一种海量数据,用户无法及时有效地满足自己对于信息的需求,从而引发了“信息过载”问题。推荐系统作为一种解决该问题的有效策略而备受关注。推荐系统的核心是推荐算法,其最大程度上决定了最终推荐的性能。协同过滤推荐算法作为一种有效构建推荐系统的方法已在众多领域中得到了应用。但这类算法认为用户所交互的一组历史项目对用户的影响是相同的,从而难以捕获用户更细粒度下的偏好,导致这些推荐方法的准确性受限;此外,在对用户历史行为数据进行建模时,往往只单一考虑用户和项目之间的关系或项目与项目之间的关系,以至于不能充分挖掘用户历史行为中的数据信息,制约了推荐算法的性能。为了解决上述问题以提高协同过滤推荐算法的性能,本文以协同过滤推荐算法为主要研究内容,重点研究了将深度学习中的相关技术与协同过滤推荐算法相结合来构建相应的深度协同过滤模型。具体来讲,针对先前一些算法缺乏对用户历史交互项目重要性区分的问题,引入注意力机制并设计了一个双重最相关注意力网络对用户的历史行为序列建模;针对协同过滤算法在建模用户历史行为数据时,只单一考虑用户-项目关系或项目-项目关系的问题,提出了融合注意机制的关系协同过滤模型同时对用户历史行为数据中的两种关系进行建模。本文主要完成工作包括:1.本文首先对推荐系统、协同过滤算法及深度学习技术等基础理论知识进行了阐述,并且调研了国内外相关推荐系统算法研究现状和存在的不足。其次,详细介绍了协同过滤推荐算法以及深度学习的相关技术。最后针对当前协同过滤算法存在的一些问题,在现有协同过滤算法的基础上结合深度学习技术提出了基于双重最相关注意力网络的协同过滤推荐算法和融合注意力机制的关系协同过滤推荐算法。2.针对当前的一些协同过滤算法忽略了用户不同历史交互项目的重要性,并且缺乏对历史项目与目标项目之间交互关联度的区分,导致无法实现用户偏好的细粒度建模的问题,提出了一种基于双重最相关注意力网络的协同过滤推荐算法(DMRACF),该算法包含两层注意力网络。首先,使用项目级注意力网络为不同历史项目分配不同的权重来捕获用户历史交互项目中最相关的项目;然后,使用项目交互级注意力网络感知不同历史项目与目标项目之间的交互关联度;最后,通过两层注意力网络的使用来同时捕获用户在历史交互项目上和目标项目上的细粒度偏好,更好地进行下一步推荐工作。在两个公开数据集上进行实验,实验结果表明,该算法在推荐结果上与基准模型相比均有较大的提升。3.当前的一些协同过滤算法包括DMRACF在内只单独用到用户历史行为数据中的用户-项目关系或项目-项目关系,而极少对这两种关系同时考虑,这可能潜在的限制了推荐性能。为了解决这些问题,本文提出了一种融合注意力机制的关系协同过滤推荐算法(SARCF)对用户历史交互数据中的两种关系进行联合学习,以学习有效的用户项目特征表示,并提高推荐质量。具体来说,本文提出的SARCF算法将用户历史交互数据的建模分为两个部分:用户-项目偏好建模来感知用户对项目的偏好关系;项目-项目关系数据建模来捕获项目间的联系。同时,引入自我注意力机制捕捉用户-项目关系对项目-项目关系建模的影响,并且为用户区分重要的历史项目。最后利用多层感知机对这两个部分进行联合学习,挖掘用户和项目数据的深层次特征表示。在两个真实数据集上进行实验,实验结果表明,该算法在推荐质量上具有较为优越的性能。

基于知识图谱的试题推荐方法研究与应用

这是一篇关于知识图谱,信息抽取,推荐系统,认知诊断的论文, 主要内容为互联网近年来的迅猛发展推动了在线教育的蓬勃发展,各类在线教育平台在这个机遇下快速崛起。相对于传统的教育方式,在线教育拥有更为灵活多样和个性化的学习方式,同时也提供丰富多样的教学资源,具有高效率的特点,让学习者可以便捷的获取学习资源;另一方面,随着学习资源的爆炸式增长,学习者面临着信息过载的问题,导致学习者在学习过程中出现资源寻找效率低下、甄别信息困难等问题。为了解决这些问题,本文基于学科知识图谱,设计了实时和离线的个性化试题推荐方法。本文主要工作如下:本文的研究基于知识图谱,并以初中生物课程作为研究对象。为了解决领域知识图谱构建过度依赖标注数据的问题,本文提出了一种基于深度学习模型和关系挖掘联合的构建方法。构建学科知识图谱需要学科原始语料作为训练集,本文采集了教材和百度百科的原始语料作为信息抽取的数据集;同时,收集了近千名学生的真实单元测试成绩,构建了学生-试题得分矩阵和试题-知识点矩阵。该方法首先对原始序列进行BIO标注,采用Bi LSTM-CRF模型进行实体抽取,并将抽取结果人工审查后作为知识图谱的实体节点;为了充分挖掘知识点实体之间的关联关系,提出了一种基于R-BERT模型和挖掘考试成绩与原始序列联合的关系抽取方法,利用此方法在小数据集上不断迭代,完善深度学习模型的抽取能力,从而减少信息抽取过程中对人工标注数据的依赖。在针对试题推荐方法的研究中,将知识图谱分别应用到实时推荐和离线推荐中,在实时推荐中,提出了一种以知识图谱辅助的模糊认知诊断模型,充分利用知识点之间的隐藏特征,设计了试题-知识点的权重矩阵,从而减少认知诊断过程中的误差;离线推荐方法中,利用知识图谱的关系网络对试题进行相似度分析,并基于隐语义模型做得分预测,根据预测结果和试题相似度进行推荐,最后与传统的推荐方法进行了对比实验,结果表明,该方法提升了试题推荐的准确性,可以有效提高学习者的学习效率。最后,以学科知识图谱为基础,设计并实现了个性化试题推荐系统,并对冷启动问题提出解决策略,试题推荐系统相对于无差别的输送,能够更有效推荐符合用户自身掌握情况的知识进行查漏补缺,提高用户的个人能力。

基于知识图谱结构的基金推荐系统研究

这是一篇关于基金,推荐系统,知识图谱的论文, 主要内容为随着信息技术的发展,越来越多的信息充斥着人们生活的方方面面,为解决用户-信息的个性化精准匹配问题,推荐系统开始在音视频、电商、评论等越来越多的网站上应用,它充分挖掘用户喜好和兴趣,在降低信息过载、提高网站点击率、为用户定制更加个性化服务方面起到了重要作用,已经成为互联网强有力的增长引擎。推荐方法也在随着技术变革不断创新,从最经典的协同过滤到高效准确的深度学习,再到应用知识图谱的可解释推荐系统,推荐效果也在逐步提升。然而,目前推荐系统在基金数据上的应用却不够常见。因此,为充分挖掘不同投资者的偏好,更有针对性的推荐相应的基金产品,本文利用混合型知识图谱推荐模型Ripple,基于某券商App的376种产品数据、11808条用户历史交易数据,实现了对376位用户的个性化基金推荐,并在CTR预测和Top K推荐两种场景的五种评判指标下,打败了经典的FM模型、MLP模型和工业上广泛应用的Deep FM模型。首先,本文对产品特征进行处理,从文本特征中利用关键词词典提取基金类型、主动被动、所属行业、投资地区、投资策略共计5个特征,据此以376种基金产品本身和60种基金产品特征值为实体,利用9种基金产品特征构造18种关系,得到了5386对一跳三元组并建立知识图谱。随后,对产品数据、用户历史交易数据以及知识图谱进行描述性统计分析,发现大多数基金是支持定投的被动基金,不同用户对基金购买的差异很大,绝大多数用户只购买了5种以内的基金产品,确定了基金推荐所适用的少量个性化推荐情景。同时也发现知识图谱呈现出由中心向外辐射的结构,基金本身构成的节点被内外两层基金特征值节点包围,内层基金特征值节点是大多数基金共同拥有的取值构成的节点,反映了基金间的相似性;外层基金特征值节点是少数基金的特征取值构成的节点,反映了基金的差异性。随后,开始实验部分的第一阶段:在已有知识图谱的基础上,从每个用户的历史交易信息出发,获取起始三元组,并针对每个用户模拟其兴趣在知识图谱上的传播过程。起始三元组的获取至关重要,因为这决定了知识图谱的传播路径,因此,对每个用户采用4种采样方法,对模型进行训练和拟合,在两种场景下选择相应的指标,探究使Ripple模型获取最优效果的采样方法。实验结果表明:以用户历史交互样本的特征值出现次数为权重采样能给Ripple模型带来最好的效果。最后,完成实验部分的第二阶段,将以用户历史交互样本的特征值出现次数为权重采样的Ripple模型与FM模型、MLP模型和Deep FM模型在CTR预测和Top K推荐2种场景下的表现进行对比:在CTR预测场景下,选择AUC和F1指标进行评价;在Top K推荐场景下,选择Precision@K、Recall@K和F1@K三种指标,并绘制了各指标随K变化的趋势图。结果表明,综合CTR预测场景和Top K推荐场景的表现,Ripple模型的效果最好,MLP模型和Deep FM模型的效果次之,FM模型的效果最差。Ripple模型在CTR预测场景中测试集上的AUC=0.8615,F1=0.7430;在Top K预测场景中,Precision@1=0.0455,Precision@5=0.0217,Recall@1=0.1310,Recall@5=0.3123,F1@1=0.0675,F1@5=0.0405。本文的主要特色体现在两个方面:(1)将基于知识图谱结构的推荐方法应用于基金推荐领域,是推荐方法在应用上的创新尝试。(2)在实验过程中,利用用户历史交互信息及物品特征,尝试多种采样方法获取起始三元组,确定了使Ripple模型效果最好的采样方案。