大数据环境下面向大规模定制的智能推荐研究

这是一篇关于大规模定制,大数据,智能推荐,用户画像,K-means聚类的论文, 主要内容为随着经济的不断发展,消费者的生活水平逐步提升,广大用户已不再仅仅满足于企业所提供的标准化产品。同时,企业信息技术的发展、工厂柔性制造能力的提升,为大规模定制商业模式的形成与发展创造了条件。大数据环境下,各种类型的数据呈井喷式增长,大规模定制行业的定制方案与模块属性值越来越多的被加入到定制环节,使得选择产品定制的用户在面对大量选择时感到无所适从。因此,本文在以往面向大规模定制商业模式的个性化推荐研究基础上结合现有的大数据环境进行了相应的改进研究以提高面向大规模定制的智能推荐结果的精准性。首先,本文在综述以往研究成果基础之上,分析了大数据环境下面向大规模定制的智能推荐现存问题:传统的电子商务推荐直接应用到大规模定制行业的推荐过程会存在一定的不适性以及大数据时代的到来,使得传统的面向大规模定制的推荐算法存在不足之处等方面,并针对这些问题提出相应的改进必要性及改进思路;其次,对大规模定制行业智能推荐系统进行具体分析,提出一种新的较为完整的面向大规模定制的智能推荐系统模型——整体定制方案推荐+分步式定制方案推荐以满足不同用户需求,并对相应的推荐流程进行说明;再次,基于对传统推荐算法应用局限性的分析并根据大数据环境下大规模定制行业的特征,选用协同过滤推荐算法作为大规模定制智能推荐的基础算法,并融合用户画像方法以改进经典协同过滤推荐算法易忽视用户自身兴趣偏好的问题,融合K-means聚类算法以改进传统协同过滤推荐算法在大数据环境下的数据稀疏性问题,从而进一步提高推荐的精准性;最后,引入手机行业产品定制案例,对改进后的两种混合推荐算法进行模拟分析,验证了该算法运用于大规模定制智能推荐的有效性与可行性。

场地污染风险管控与修复模式的智能推荐研究

这是一篇关于场地污染,机器学习,案例推理,风险管控与修复模式,智能推荐的论文, 主要内容为近年来,随着我国城市化进程的快速发展,城市及其周边地区出现大量的“污染地块”。场地污染给我国土壤污染风险管控与修复工作以及经济发展带来了巨大的调整,同时给周边环境和居民健康带来了重大潜在风险。随着大数据智能技术在环境领域的应用日益广泛和环境海量数据的日益增长,如何使用大数据智能技术与场地环境管理深度融合来提高场地污染风险管控的智能化、精准化、高效化水平尚不明朗。鉴于此,本文基于大数据平台,通过结构化层次存储和搜索技术,运用案例推理和机器学习方法,开展了场地污染风险管控与修复模式的智能推荐研究。主要结论如下:(1)确定了案例表示方法和案例推选相似度计算数值模型。参照《关于印发重点行业企业用地调查系列技术文件的通知》(环办土壤[2017]67号)的关闭搬迁企业地块信息调查表和已收集到的场地污染风险管控与修复案例相关内容,确定了场地污染风险管控与修复案例库基本框架,并对收集到的案例资料进行整理。并通过文献调研确定了案例推选相似度计算数值模型。(2)建立了场地污染风险管控与修复模式的案例推选指标体系。依据案例之间相似度计算数值模型,将指标类型分为逻辑性指标和数值型指标两种,确定每项指标的取值和各指标的规则和等级。运用层次分析法确定各指标的权重,进行一致性检验,满足一致性要求。通过咨询行业内相关专家的意见和建议,设置了本研究的预设阈值的取值为0.8,并选取第20个案例进行案例推选方法验证,结果表明本研究的案例推选方法可用。(3)确定了场地污染风险管控与修复方案推荐系统的方法,实现快速搜索查找匹配源案例;通过研究案例库实现途径和内容,进行了方案推荐系统的结构设计和系统开发研究,建立了基于Web技术的案例检索查询页面;采用K最近邻算法和层次分析法在案例库中检索相似案例,实现了方案推荐功能。

基于智能推荐的中小学创客教育平台的设计与实现

这是一篇关于中小学创客教育平台,智能推荐,自主学习,Java语言,MySQL数据库的论文, 主要内容为创客教育,如今在中小学教育中已经广泛开展,它是融合理论创新和技术创新的一种新型教育形式,其目标是将受教育者培养成具有创客精神、创新实践能力的人。作为一种新型的教育形式,创客教育,将项目教学法、做中学等教育思想融合在一起,并加以拓展延伸,这些教学模式的共同点是都以学生为中心,培养其创新创造、动手实践能力。基于创客教育的理念,笔者自主设计搭建了中小学创客教育平台,整体界面操作简单,交互良好,并根据用户喜好为其智能推荐内容,方便教师和学生使用。平台搭建出一个“互联网+”形态下的自主学习交流空间,管理员对基础的师生信息进行日常维护,教师用户自主发布微课或学生创作视频,定期发布创客教育动态新闻以及相关竞赛消息等,在平台上分享交流,学生用户可以浏览创客新闻了解动态,在线报名参加创客竞赛,发布自己的创作视频分享交流等,同时可以观看教师发布的微课视频自主学习。平台设计了创客视频发布、分类浏览、新闻页、视频详情、关于我们等功能模块,通过这些模块,系统能够真正的满足在线创客教育平台的用户需求,平台设计的功能符合中小学创客教育的实际情况,并且能够有效实现师生实时互动,将会是中小学教师实施创客教育的得力助手。本平台以Java语言作为主要编程语言,采用MySQL数据库作为后台数据库进行设计与开发,设计前端采用了Spring MVC框架,后端采用MyBatis Spring框架,在改进和个性化定制界面及用户交互的同时,简化开发流程,提高开发效率。

基于知识图谱的汽车交易智能推荐系统研究

这是一篇关于知识图谱,实体抽取,关系抽取,智能推荐,协同过滤的论文, 主要内容为随着互联网以及大数据技术应用越来越广泛,人们不仅获取到海量数据,同时生活方式也发生了极大的改变,其中网购成为一种必不可少的购物方式。为了提供给用户良好的购物体验,推荐系统扮演着不可或缺的角色。最具代表的是协同过滤推荐算法,该算法模型简单,在业界被广泛使用。但该算法存在冷启动和数据稀疏问题,同时缺乏对数据语义信息的描述,无法实现对用户和商品的精准刻画,实现精准推荐难度较大。知识图谱作为一种海量知识的表征形式,旨在描述真实世界中存在的各种实体和概念。知识图谱是一种语义网络,可以融合多种数据源丰富语义信息,并结合推理得到的隐含信息为用户提供服务。知识图谱作为一种新的知识储备已被广泛应用,更被广泛应用于推荐系统。本文进行基于知识图谱的汽车交易智能推荐系统研究。以汽车交易系统为应用背景,通过实体和关系抽取构建领域知识图谱,并建立高覆盖率的实体、概念及语义信息,最后将传统的协同过滤算法与知识图谱相融合,实现汽车交易的智能推荐。本文研究工作有以下几个部分:(1)对基于网站网页数据的知识抽取方法进行研究,并构建领域知识图谱。基于SVM方法对网页数据进行实体抽取,基于Bootstrap对网页数据进行关系抽取,并以汽车网站中的交易数据为例,验证了抽取方法的有效性,并将抽取后的知识图谱存储于图数据库Neo4j。(2)在构建好的领域知识图谱基础上,进行知识图谱的物品语义表示。本文使用翻译模型将汽车知识图谱向量化,并给出评分函数训练模型。翻译模型将构建好的知识图谱嵌入到低维连续向量空间,同时完整保留知识图谱的语义信息,为接下来的推荐系统提供了数据分析保障。(3)将传统的协同过滤算法与知识图谱分析工具相融合,利用知识图谱包含的丰富的语义信息作为对协同过滤算法的有效补充。实验结果表明,融合后极大改善了传统协同过滤推荐算法的性能。

基于ElasticSearch与智能推荐的垂直搜索引擎设计与实现

这是一篇关于Word2Vector,智能推荐,垂直搜索引擎,ElasticSearch,网络爬虫的论文, 主要内容为当今社会不断发展,人们的日常生活渐渐被各种信息所包围,无论是工作还是生活其本质都已经慢慢转换成为了数据的交互,互联网的崛起与各种软硬件的不断突破使得信息的传播与解析变得更加便捷与轻松。伴随着技术的飞跃式的发展,数据的增长也开始变得越发的迅速了起来。在这个数据爆炸式增长的年代,搜索引擎作为现代人们最为重要的数据筛集工具有着众多的优点与缺点,例如搜索面广泛却效率和精准性不高、各大主流搜索引擎虽然拥有更好的用户体验却因为竞价排名等问题导致数据真实性大打折扣等等。因此如何在原有的基础上进行取长补短并满足不断改变的用户需就成为了当下迫在眉睫需要解决的问题。本文在传统搜索引擎的基础上提出了一种基于推荐的智能垂直搜索引擎设计方案并给予实现。具体来说:本文首先针对传统搜索引擎的在智能推荐功能上的缺失、推荐内容不精确、竞价排名等问题提出了对于Word2Vector智能推荐算法的改进,通过对算法的优化和实验的比对成功提高了智能推荐系统所推荐的文本信息的相关度,并且根据时间衰减算法成功将最终推荐结果和时间梯度与文本相关度相融合成功实现了基于智能推荐系统的垂直搜索引擎的设计。其次针对传统搜索引擎在传统搭建方式和大数据量高并发的情况下导致的响应速度下降和延迟的情况,提出了分布式搭建负载均衡与集群化搭建的模型来降低各个功能模块与服务器的压力并通过实验有效的降低了在大数据吞吐量情况下程序服务器的响应时间。除此之外通过分布式详细的模块划分,将整个业务流程分割成为不同的组成部分,为未来可能发生的技术迭代或是灾难预警提供了有效的手段和坚实的基础。最后使用ElasticSearch作为搜索引擎的主体框架配以Scrapy爬虫、Django、Nuxt.js等技术并融合了MVT设计模式以及微服务的思想成功实现了各个功能模块的搭建。在模块搭建完毕后又使用Restful的形式完成了各个模块之间的联系与数据的交互,最终将整个基于智能推荐系统的垂直搜索引擎成功实现并通过Kubernetes等部署程序将系统部署于Centos系统中。用户通过实时输入搜索的文本信息来实现相关具体领域的文本信息搜索功能,系统使用界面化的形式将搜索的结果以及智能推荐的内容作为信息推送给用户以方便用户的使用,本系统有着实用性、更人性化、更准确、更直观等等优点。

基于企业互联网营销平台的用户情绪监测模型构建与应用

这是一篇关于多源异构,情绪监测,多模态融合,多头注意力,智能推荐的论文, 主要内容为随着互联网技术的不断发展和普及,“互联网+”创新模式已成为传统企业进行数字化转型和产业升级的必然趋势。在此背景下,浙江省某大型企业利用大数据、人工智能和云计算等先进技术搭建了“互联网+营销”的智能信息一体化平台。该平台整合了多平台媒体矩阵,拥有大量用户对企业营销活动所发表的观点和评价,以及直播营销活动中产生的时序性弹幕数据。如何处理并利用这些多源异构数据捕获用户需求和感知市场变化,从而更加精准化,智能化地进行业务决策和创新,实现营销效果最大化是企业重点关注的问题。为此本文在该互联网营销平台TB级用户评论数据支撑下,提出了基于改进有用性主题和谱聚类融合的代表性评论提取算法、融合多特征的弹幕数据情绪监测网络模型、融合主题特征的多模态决策多样性情绪监测模型和基于用户情绪与知识图谱的个性化推荐算法,实现从有用性主题提取到情感分类再到个性化推荐整个智能推荐过程。最后结合该互联网营销平台构建了基于时序性用户情绪监测图、“区域-用户”情绪监测图和“主题-用户”情绪监测图的智能化推荐模块,为企业智能化精准营销提供支持。本文主要从直播营销场景和多平台媒体营销场景进行研究,具体内容总结如下:(1)针对多源异构数据冗余度高和传统主题特征提取未考虑文本内容有用性等问题,提出了一种基于改进有用性主题和谱聚类融合的代表性评论提取算法。首先,在传统LDA模型基础上,将点赞、转发、收藏、受评数等作为文本内容的有用性权重改变其词-主题分布统计方式,并给出了相应推导公式,证明了该有用性权重能将有用性词-主题凸显出来。然后,利用改进模型抽取出有用性信息的主题分布,再利用皮尔森系数构建相似矩阵,最后,用谱聚类实现有用性评论聚类,进一步降低冗余,并提取簇中心附近评论作为代表性评论。以该互联网营销平台数据为对象进行验证,结果表明,该模型相较于其他模型能很好解决数据冗余问题且评论主题更具有代表性。(2)针对直播营销场景中忽略弹幕数据的时序性、多义性和稀疏性从而导致情感特征提取不准确不充分问题,提出了一种融合多特征的弹幕数据情绪监测模型。首先,针对弹幕数据多义性问题,构建了“Emoticon-Word”词典(多义性表情符号词典)以及相关弹幕语料库;然后,针对弹幕数据稀疏性问题,将弹幕数据基本属性(文字颜色、字体、点赞数等)与文本拼接输入ALBERT中作特征提取,同时,与辅助模块Glo Ve模型预训练的表情符号经过自注意力模块融合。其次,为加强弹幕属性的时序性,用Bi GRU模块从前向和后向捕获信息,加强语义依赖。最后用Softmax逻辑回归进行情感倾向性分类,构建情绪监测图。以某互联网营销平台163253条弹幕数据为对象对模型进行性能验证,结果表明,该模型准确率达88.8%,精确率达88.7%,召回率达88.9%,1F值达88.8%,相较于其他模型均有一定提升。该模型可为企业在营销活动中实现用户情绪监测以及智能化精准营销提供支持。(3)针对整合多平台媒体场景中特征稀疏,多模态融合效果不佳,多模态情感特征提取不充分问题,提出了一种融合主题特征的多模态决策多样性情绪监测模型。首先,采用预训练ALBERT模型提取文本词向量特征表示,采用预训练后的Res Net-18提取图像特征表示。然后,为避免文本特征过于稀疏,将提取的词向量特征与Help-LDA提取的主题特征进行多阶段融合。其次,采用多头注意力捕获图文相关性,将融合后的联合特征与已提取的图像特征进行再次融合。同时,为体现各自模态特征,采用决策融合将联合特征和各模态独立特征进行整合,其中,添加余弦相似性惩罚,提高模型泛化能力。最后用Softmax逻辑回归进行情感倾向性分类,构建“区域-用户”情绪监测图以及“主题-用户”情绪监测图。以某互联网营销平台图文数据为对象对模型进行性能验证,结果表明,该模型的图文情感识别效果相较于其他模型均有一定提升。(4)针对现有推荐算法未考虑用户情绪指标从而导致营销活动中产品推荐不准确问题,提出了一种融合用户情绪与知识图谱的个性化推荐算法。首先,基于企业数据库构建企业产品知识图谱和用户画像。然后,抽取出企业产品的实体属性特征和用户需求特征,分别用余弦相似系数构建相关相似度矩阵,并采用加权几何平均得到需求匹配相似度矩阵。其次,考虑不同时间和区域内用户的情绪波动,将时序性用户情绪、主题用户情绪、区域用户情绪等多种情绪指标进行加权求和平均,构建情绪度量矩阵。结合情绪度量矩阵与匹配相似度矩阵构建目标函数,计算可推荐性服务得分列表。在推荐过程中,根据用户情绪指标和推荐结果的匹配程度,为用户呈现最符合需求的产品和活动,并提供详细的信息和推荐理由。最后,结合该互联网营销平台构建了融合用户情绪监测的智能推荐模块,将本文所提出的算法模型进行应用,并给出了相应模块设计流程以及对各模块进行可视化展示。

基于企业互联网营销平台的用户情绪监测模型构建与应用

这是一篇关于多源异构,情绪监测,多模态融合,多头注意力,智能推荐的论文, 主要内容为随着互联网技术的不断发展和普及,“互联网+”创新模式已成为传统企业进行数字化转型和产业升级的必然趋势。在此背景下,浙江省某大型企业利用大数据、人工智能和云计算等先进技术搭建了“互联网+营销”的智能信息一体化平台。该平台整合了多平台媒体矩阵,拥有大量用户对企业营销活动所发表的观点和评价,以及直播营销活动中产生的时序性弹幕数据。如何处理并利用这些多源异构数据捕获用户需求和感知市场变化,从而更加精准化,智能化地进行业务决策和创新,实现营销效果最大化是企业重点关注的问题。为此本文在该互联网营销平台TB级用户评论数据支撑下,提出了基于改进有用性主题和谱聚类融合的代表性评论提取算法、融合多特征的弹幕数据情绪监测网络模型、融合主题特征的多模态决策多样性情绪监测模型和基于用户情绪与知识图谱的个性化推荐算法,实现从有用性主题提取到情感分类再到个性化推荐整个智能推荐过程。最后结合该互联网营销平台构建了基于时序性用户情绪监测图、“区域-用户”情绪监测图和“主题-用户”情绪监测图的智能化推荐模块,为企业智能化精准营销提供支持。本文主要从直播营销场景和多平台媒体营销场景进行研究,具体内容总结如下:(1)针对多源异构数据冗余度高和传统主题特征提取未考虑文本内容有用性等问题,提出了一种基于改进有用性主题和谱聚类融合的代表性评论提取算法。首先,在传统LDA模型基础上,将点赞、转发、收藏、受评数等作为文本内容的有用性权重改变其词-主题分布统计方式,并给出了相应推导公式,证明了该有用性权重能将有用性词-主题凸显出来。然后,利用改进模型抽取出有用性信息的主题分布,再利用皮尔森系数构建相似矩阵,最后,用谱聚类实现有用性评论聚类,进一步降低冗余,并提取簇中心附近评论作为代表性评论。以该互联网营销平台数据为对象进行验证,结果表明,该模型相较于其他模型能很好解决数据冗余问题且评论主题更具有代表性。(2)针对直播营销场景中忽略弹幕数据的时序性、多义性和稀疏性从而导致情感特征提取不准确不充分问题,提出了一种融合多特征的弹幕数据情绪监测模型。首先,针对弹幕数据多义性问题,构建了“Emoticon-Word”词典(多义性表情符号词典)以及相关弹幕语料库;然后,针对弹幕数据稀疏性问题,将弹幕数据基本属性(文字颜色、字体、点赞数等)与文本拼接输入ALBERT中作特征提取,同时,与辅助模块Glo Ve模型预训练的表情符号经过自注意力模块融合。其次,为加强弹幕属性的时序性,用Bi GRU模块从前向和后向捕获信息,加强语义依赖。最后用Softmax逻辑回归进行情感倾向性分类,构建情绪监测图。以某互联网营销平台163253条弹幕数据为对象对模型进行性能验证,结果表明,该模型准确率达88.8%,精确率达88.7%,召回率达88.9%,1F值达88.8%,相较于其他模型均有一定提升。该模型可为企业在营销活动中实现用户情绪监测以及智能化精准营销提供支持。(3)针对整合多平台媒体场景中特征稀疏,多模态融合效果不佳,多模态情感特征提取不充分问题,提出了一种融合主题特征的多模态决策多样性情绪监测模型。首先,采用预训练ALBERT模型提取文本词向量特征表示,采用预训练后的Res Net-18提取图像特征表示。然后,为避免文本特征过于稀疏,将提取的词向量特征与Help-LDA提取的主题特征进行多阶段融合。其次,采用多头注意力捕获图文相关性,将融合后的联合特征与已提取的图像特征进行再次融合。同时,为体现各自模态特征,采用决策融合将联合特征和各模态独立特征进行整合,其中,添加余弦相似性惩罚,提高模型泛化能力。最后用Softmax逻辑回归进行情感倾向性分类,构建“区域-用户”情绪监测图以及“主题-用户”情绪监测图。以某互联网营销平台图文数据为对象对模型进行性能验证,结果表明,该模型的图文情感识别效果相较于其他模型均有一定提升。(4)针对现有推荐算法未考虑用户情绪指标从而导致营销活动中产品推荐不准确问题,提出了一种融合用户情绪与知识图谱的个性化推荐算法。首先,基于企业数据库构建企业产品知识图谱和用户画像。然后,抽取出企业产品的实体属性特征和用户需求特征,分别用余弦相似系数构建相关相似度矩阵,并采用加权几何平均得到需求匹配相似度矩阵。其次,考虑不同时间和区域内用户的情绪波动,将时序性用户情绪、主题用户情绪、区域用户情绪等多种情绪指标进行加权求和平均,构建情绪度量矩阵。结合情绪度量矩阵与匹配相似度矩阵构建目标函数,计算可推荐性服务得分列表。在推荐过程中,根据用户情绪指标和推荐结果的匹配程度,为用户呈现最符合需求的产品和活动,并提供详细的信息和推荐理由。最后,结合该互联网营销平台构建了融合用户情绪监测的智能推荐模块,将本文所提出的算法模型进行应用,并给出了相应模块设计流程以及对各模块进行可视化展示。

基于行为分析智能推荐购物搜索引擎的设计与实现

这是一篇关于Lucene搜索,购物搜索,智能推荐,手机客户端,行为分析的论文, 主要内容为随着技术的进步与人们观念的改变,网络购物逐渐进入人们的生活,然而,网络卖家与顾客之间的信息交流障碍极大地影响了网络购物的发展,为了使顾客能方便的获得产品信息并且进行对比得出最适合自己的产品,本文致力于开发一款基于智能推荐的购物搜索系统。同时,伴随着手机终端与无线网络的进步,手机与互联网已经密不可分,手机客户端购物搜索引擎能够起到实时搜索、降低购物成本等作用。因此,本文在智能推荐购物搜索系统的基础上,将手机客户端购搜索纳入到本文的研究内容中,更好地满足用户的需要。 本系统应用到的关键技术主要包括Lucene的应用,手机客户端开发,基于行为分析的智能推荐,基于MVC架构的J2EE平台,数据库的设计与应用,作者在系统中完成的部分主要包括：系统的设计、基于Lucene的搜索和Lucene索引的创建、数据库设计与开发、J2EE平台的搭建、JSP页面的设计与实现、用户日志记录与行为分析。整个系统主要分为三个部分：搜索服务器、行为分析系统、Lucene搜索系统。搜索服务器可以通过手机客户端和浏览器两种方式访问,实现了六大功能：基本搜索、下拉框提示、产品评论搜索、产品评论发表、产品信息搜索、相似产品查询。lucene搜索系统包括lucene搜索和lucene索引的创建,行为分析系统主要是通过用户行为日志分析出用户关注点。本文主要对这个系统的设计和作者所完成的部分的实现做了详细的描述,并且对系统的浏览器访问进行展示。 作者参与了整个系统的设计与开发,系统现在仍处于开发之中。由于一些需求的变更与手机客户端开发的需求,本系统还处于不断的修改与完善中,已经完成的部分运行稳定,与预期效果一致。