9篇关于时间因素的计算机毕业论文

今天分享的是关于时间因素的9篇计算机毕业论文范文, 如果你的论文涉及到时间因素等主题,本文能够帮助到你

基于用户特征和信任度的推荐算法研究与实现

这是一篇关于推荐系统,协同过滤,时间因素,兴趣偏好,信任关系,User-CT算法的论文, 主要内容为信息量随着互联网的急剧发展呈爆炸式增长,导致用户在面对大量信息时很难从中获取真正有用的信息,推荐系统的出现在很大程度上解决了信息过载问题。协同过滤推荐算法凭借其出色的推荐质量,在推荐领域中广泛应用。协同过滤推荐算法通过分析用户的历史行为挖掘用户的喜好,找到与目标用户志趣相投的用户群体,综合他们的评价,预测目标用户对指定物品的评分。在真实环境中,随着用户和物品数量的急速增加,冷启动、数据稀疏性以及时效性等问题逐渐暴露出来,严重影响了协同过滤推荐算法的推荐质量。针对上述问题,本文对协同过滤推荐算法展开深入研究,提出了基于用户特征和信任度的推荐算法,简称User-CT算法。本文主要研究内容如下:1、针对用户评分尺度不同和评分矩阵稀疏而造成的相似度计算结果准确性低的问题,对用户的主观评分进行归一化处理;建立用户动态兴趣偏好模型,从用户的高评分中进一步挖掘用户的真实喜好,并且考虑时间因素,可以保证推荐的时效性。2、传统的协同过滤推荐算法通过用户间共同评分项目度量用户间的相似度,忽略了不存在共同评分项目的用户间的潜在关系,而这恰恰对推荐结果也有着至关重要的影响,所以建立用户信任关系模型,挖掘不存在共同评分用户间的关系。在改进的用户相似度基础上融合用户信任度,可以使得预测评分更加准确,数据稀疏性问题也有所缓解。3、传统的协同过滤推荐算法中仅仅依赖用户历史行为进行推荐,忽略了用户本身的属性特征,而用户的属性特征与用户的喜好也有一定的关系,所以引入用户人口统计属性特征预测评分,一定程度上解决了用户冷启动问题。4、将User-CT与传统的协同过滤推荐算法在MovieLens数据集上进行对比实验,实验结果表明本文提出的算法较传统的协同过滤推荐算法在推荐准确度和性能上有更好的表现,并结合实验对加权参数的选取给出了一些建议。5、以User-CT算法为核心,使用SSM框架和Bootstrap框架设计并实现了一个完整的美食推荐系统。

主题搜索及其关键算法的研究

这是一篇关于主题爬虫,爬取策略,Shark-Search算法,PageRank算法,时间因素的论文, 主要内容为在现代互联网技术飞速发展的时代,互联网上的各类资源呈现出爆炸式增长,在海量的网络信息中,如何快速、准确的找出用户所需求的信息也日渐困难。通用搜索引擎虽然被广泛使用,但是却难以满足特殊用户想要精准获取所需信息的需求,因此当用户想要获取所需信息时,需要用到垂直搜索引擎。主题网络爬虫爬取策略作为垂直搜索引擎的核心,在页面检索时能够做到只爬取与主题相关性高的页面。但现有的传统主题爬虫的算法也有缺点,如容易产生主题漂移现象,对全局性考虑欠缺等。本文的研究是基于为某研究所开发军事信息检索系统,重点对主题爬虫搜索策略展开研究,针对军事类相关页面,结合不同算法的优缺点对PageRank算法进行改进,以使改进后的算法在爬取页面时展现更好的性能。本文的主要研究内容如下:首先,对网络爬虫中相关理论和技术进行研究。主要分析了通用爬虫与主题爬虫系统的架构与两者之间的区别。再对主题爬虫实现中用到的相关技术进行分析,主要对页面处理,相关度计算等进行分析。然后,针对军事类主题页面的抓取,对PageRank算法进行分析。发现PageRank算法在指导爬虫抓取页面时,容易出现对新网页忽视的问题与发生主题漂移现象,对于军事类注重时效的主题页面,此缺陷更加明显。因此本文针对PageRank算法对新页面出现忽视问题提出改进策略:在对军事类主题页面进行抓取时,将此算法中引入时间因素,通过对时间的处理,使原算法在计算PageRank值时降低旧页面的计算值,消除此算法在新旧页面计算中的缺陷。针对PageRank算法容易产生主题漂移现象提出的改进策略:利用Shark-Search算法在指导爬虫抓取时对页面相关度的考量,将引入时间因素的PageRank算法与Shark-Search算法相结合,使得结合后的算法在页面抓取时与主题相关,以此来消除主题漂移现象。最后,通过实验对改进后的新算法的有效性进行评价。对算法的评价利用了查准率和查全率,互联网中存在与主题相关的所有页面总数很难得到,且在计算中应为恒定值,因此本文利用对比三种算法对爬取到与主题相关的网页数来代替查全率。通过实验验证,改进后的新算法在军事类主题相关页面的查准率和查全率上都表现出较好的性能。并将算法应用于信息检索系统中,在索引方面与百度索引相比,展现出信息检索系统对索引内容的主题相关性。

基于协同过滤的农产品智能推荐系统的研究与实现

这是一篇关于协同过滤,时间因素,混合推荐,推荐系统的论文, 主要内容为随着互联网技术的迅速发展,农产品在电商平台上的销售和购买已成为便利人们生活的重要趋势。但由于农产品在销售种类上的细化,导致电商平台上的农产品数量及种类呈现多元化和复杂化的特点,使得消费者在面对海量的农产品信息时很难快速、便捷地找到所需的农产品。为解决以上农产品“信息过载”的问题,探寻更加智能化的推荐系统已成为迫切的需求。本文以协同过滤推荐算法为基础,融入了基于内容的推荐算法,来提高推荐效果。由此设计并实现了优化的农产品智能推荐系统,主要内容如下:(1)基于协同过滤推荐算法的改进。传统的协同过滤推荐算法给用户推荐物品时,常常会受到热门物品的影响,进而影响到用户之间和物品之间的相似度计算,导致推荐效果不佳。为了解决这一问题,本文采用惩罚热门物品的方法,来降低对相似度计算的影响。进一步,考虑用户的习惯迁移会随时间的推移而发生变化,本文在该算法中增加了时间因素以更好地反映用户的当前兴趣。最后,通过实验验证了改进的协同过滤推荐算法的MAE值效果得到优化。(2)基于协同过滤与内容的混合推荐。在协同过滤的推荐系统中,当一个新用户或新物品加入到系统中时,协同过滤算法难以利用历史数据进行个性化推荐,即存在冷启动问题。为克服此问题,本文引入了基于内容的推荐算法。该算法根据获取物品的特征属性,通过IF-IDF计算各个特征属性在相应的物品特征文档和用户偏好文档中的权重,对比计算出两种文档之间的相似度,从而对用户进行推荐。本文将这两种算法加权融合起来,形成一种混合推荐策略,可以优势互补,从而提高推荐系统的精度和效果。最后,利用实验证明了混合推荐算法在准确率、召回率和F1 score三个指标上均优于单一的推荐算法。(3)农产品智能推荐系统的设计与实现。本文设计的智能推荐系统前后端分离,前端采用Vue.js框架进行开发,后端使用Spring Boot框架进行开发。此外,结合需求分析,本文完成了推荐流程、系统功能模块、数据库等方面的设计。最终,实现了一个农产品电商推荐平台,为用户提供了更加方便有效的农产品推荐和购买等功能。

基于情感分析的电影推荐系统研究

这是一篇关于推荐系统,情感词典,TF-IDF,时间因素的论文, 主要内容为如今已是信息化的社会,在大量的数据背景下,数据挖掘已然成为了目前大型公司研究的主流方向。在各个行业中,大规模的数据往往让人无法做出有效的选择,在挑选电影时,用户不能较快的选择出自己喜欢的电影,或者有些用户不清楚自己想要看什么样的电影,因此,推荐系统已经在电影方面成为不可或缺的存在。传统的推荐算法只考虑了用户和物品间的打分,而没有考虑系统中其他方面的因素,同时评论也是用户表达对物品喜爱与否的关键,通过分析用户在评论中所表达的情感,可以更细致的划分推荐等级。使用情感词典可以有效的对文本进行分析,然而这种方法非常依赖词典的完善程度,建立专业领域的情感词典可以大幅提高对文本分析的准确性,针对上述问题本文主要工作如下:(1)首先研究了现有的构建专业领域情感词典的方法,并使用情感种子词融合Word2vec以及点互信息的方法。针对情感种子词提取方面,分析了传统的方法在篇章级文本中没有考虑特征词在不同类别文本中的分布情况以及词语位置的问题,从而提出了改进的TF-IDF算法,提高了关键词提取准确率的同时,也证明了该词典在电影方面性能优于其它词典。(2)对于传统推荐算法中存在的问题,研究了在相似度公式方面可能进行改进的部分,传统方法只考虑用户项目的打分关系,没有考虑到用户打分的数量和时间因素,因此本文将打分数量权重以及时间权重引入到Pearson公式中,将该公式与情感分析相融合,提出了基于情感分析的改进相似度计算方法,通过分析实验结果,得出了该种方法优于传统算法和融合情感分析的传统算法。(3)考虑到本文提出的方法需要有实际意义,因此使用Springboot框架设计并开发电影推荐系统,设计过程包括数据库设计以及系统模块设计,将本文中改进的算法嵌入到电影系统中,通过可视化界面向用户展示出来。

基于协同过滤的农产品智能推荐系统的研究与实现

基于用户特征和信任度的推荐算法研究与实现

基于协同过滤的农产品智能推荐系统的研究与实现

考虑用户隐私保护的协同过滤推荐算法研究

这是一篇关于推荐算法,矩阵分解,差分隐私,Bhattacharyya系数,时间因素的论文, 主要内容为近年来,随着Internet中数据的爆炸式增长,用户有效获取信息的难度日益增加,信息使用效率下降。传统的信息检索系统能够结合关键字信息进行结果查询,但面对相同关键字提供结果同质化,难以满足用户差异化的信息需要。推荐系统以其算法为核心,能够结合用户的偏好,为用户提供个性化信息推荐服务,显著提升用户信息管理的效率。然而,系统对用户的推荐越精确,需要收集的信息越庞大,用户信息泄露的风险也会增加。为此,对推荐系统中的用户信息进行隐私保护是十分必要的。在隐私保护领域,差分隐私技术因其独特的特性而成为该领域的研究热点。该技术能够在不改变数据整体规模特征的情况下,对数据进行有效保护。为了提高推荐系统的安全性,本文以用户的个性化隐私需求为切入点,在保障用户信息安全的前提下,为用户提供精确的个性化推荐服务。对推荐算法的隐私保护研究工作主要包含以下两个方面:第一,现有的差分隐私与推荐系统结合的研究中,对所有时间段的数据均采用同等程度的隐私保护。然而,用户兴趣是随时间变化的,发生在不同时间段的数据对用户的重要程度存在差异。为此,提出一种基于时间权重因子的差分隐私保护推荐算法。算法首先设计了时间权重因子,用于衡量数据重要性。然后根据时间权重因子划分隐私预算,对不同时间段的数据施加不同强度的隐私保护。在此基础上,构建了基于差分隐私的概率矩阵分解模型,用于完成个性化推荐。实验表明,该算法在满足隐私保护的条件下,能够更有效的保留数据效用,提高推荐结果的准确性。第二,基于邻居型隐私保护推荐算法主要存在两个问题:一是传统相似性度量方法在缺乏共同评分项时难以计算相似性;二是未充分考虑用户个人隐私需求存在差异的特征。为此,提出一种新的考虑Bhattacharyya系数和个性化差分隐私的推荐算法。首先,以Bhattacharyya系数作为算法相似性度量标准,对其进行归一化以解决直接引入差分隐私时敏感度过大问题。在此基础上,考虑用户对隐私保护需求的差异性,对推荐系统采用基于个性化的隐私保护。实验表明,与传统的差分隐私保护推荐算法相比,提出的方案的预测准确性有明显提高。