8篇关于艾宾浩斯遗忘曲线的计算机毕业论文

今天分享的是关于艾宾浩斯遗忘曲线的8篇计算机毕业论文范文, 如果你的论文涉及到艾宾浩斯遗忘曲线等主题,本文能够帮助到你

基于遗忘曲线的英语绘本阅读推荐系统的设计与实现

这是一篇关于绘本阅读,个性化推荐,艾宾浩斯遗忘曲线,记忆保留率,FastText的论文, 主要内容为随着素质教育的实施和小学英语教育教学的改革,英语绘本(针对儿童的心理特点和认知发展水平而设计的一类以图画为主、文字为辅的故事书)以其特有的辅助教学的特点,在小学课堂内外教学中得到广泛重视。互联网时代的到来,促使学生和家长对于线上自主性阅读绘本的需求愈加强烈,虽然教育市场上也出现了一些提供绘本线上阅读功能的英语学习软件,但这些软件大多只是单纯的改变了纸质绘本图书的阅读形式,而没有彻底满足学生对绘本阅读的真实需求,所以如何针对学生的真实阅读情况以及阅读喜好来进行个性化推荐阅读是一个亟待解决的问题。在此背景下,本文通过研究个性化推荐技术,在使用基于关联规则的推荐算法获取绘本阅读推荐最强关联规则的基础上,结合基于用户的协同过滤推荐算法,对艾宾浩斯遗忘曲线同用户阅读兴趣进行结合改进,对绘本阅读个性化推荐过程进行优化,提升绘本阅读推荐的准确率。在本文设计与实现的基于艾宾浩斯遗忘曲线的英语绘本阅读推荐系统中,艾宾浩斯遗忘曲线与用户绘本阅读兴趣的结合改进以及英文文本快速分类是核心。因此,将用户对绘本的行为权重类比为遗忘曲线里人对某项事物的记忆程度,通过保持量函数得出学生对不同类绘本的阅读兴趣记忆保留率及相应的兴趣度占比(本文选用快速文本分类方法FastText对英文绘本进行分类)。在此基础上,利用基于关联规则的推荐算法处理得到绘本阅读的最强关联规则和利用基于用户的协同过滤推荐算法处理得到拥有相同阅读兴趣的用户的待推荐绘本集,再利用线性回归模型处理得到上述两种推荐算法下的最优推荐比例,并与绘本所属类别兴趣度占比做乘积,得到绘本的最终可推荐度,将其降序排列,并及时优化推荐方案。最后,将优化后的绘本阅读推荐方案依据Top-N准则应用到具体的推荐系统中。在实验验证方面,本文从推荐性能方面对绘本阅读推荐系统进行验证,实际结果表明,本文提出的基于艾宾浩斯遗忘曲线的英语绘本阅读个性化推荐方案是可行的,并在准确率、召回率及F-Measure等指标上也表现出更好的性能。

基于时间上下文的个性化电影推荐算法的研究与应用

这是一篇关于协同过滤,时间上下文,艾宾浩斯遗忘曲线,兴趣偏移,记忆激活的论文, 主要内容为大数据时代,影视行业搭乘互联网的快车发展迅速,各类影视资源纷纷涌现。随着电影资源的不断累积,“信息过载”问题在影视行业愈发凸显。推荐系统在影视行业的应用有效缓解了电影过载问题。一些视频网站使用传统的协同过滤推荐算法给用户推荐电影,但该算法对时间上下文的考虑不够全面,推荐准确度不高。实际上,人的兴趣偏好不是固定不变的,会随着时间变化产生兴趣偏移,故研究时间上下文对推荐算法的影响具有重要意义。本文挖掘用户历史评分数据中的时间上下文信息,利用用户评分时间对用户建模,论文主要工作如下:首先,考虑到人的记忆遗忘规律,借鉴艾宾浩斯遗忘曲线拟合时间衰减函数追踪用户兴趣偏移。考虑到不同年龄阶段对事物的遗忘速率不同,对拟合的时间衰减函数做了进一步改进,实现了对不同年龄用户兴趣偏移的追踪。并将记忆遗忘时间函数融入用户相似度计算,实现基于用户群的评分预测。除了遗忘规律,人看到某物品时存在回忆起相似物品的可能,这种现象被称为记忆激活。故融合记忆激活理论得到时间权重函数,该时间函数能够衡量用户历史行为物品对当前物品的影响权重,由此可以得到基于物品群的评分预测。其次,综合考虑用户群和物品群对用户的影响,实现混合评分预测。本文将这种混合评分预测方法称为HMC-CF(Collaborative Filtering Based on Human Memory Characteristics)算法,并在Movie Lens数据上进行对比实验验证,证明了HMC-CF算法的优越性。最后,为进一步验证本文提出推荐算法的可行性,借鉴当前热门视频网站的运行模式,设计并实现了一个个性化电影推荐系统。该系统具有电影分类导航、精准搜索、热门电影、最新电影以及个性化电影推荐功能。个性化推荐模块能够追踪用户兴趣偏移,更好的满足了用户个性化、多样性的观影需求。并且界面整洁美观,提升了用户体验。该论文有图37幅,表15个,参考文献76篇

基于用户兴趣变化的高校图书馆个性化图书推荐技术的研究与实现

这是一篇关于个性化推荐,协同过滤推荐,图书馆,用户兴趣变化,艾宾浩斯遗忘曲线的论文, 主要内容为随着时代的进步和科技的飞跃发展,互联网的出现和普及使人们的生活发生了巨大的改变,可以说互联网早已渗透到当今社会的各行各业中。但是,技术的不断发展使网络中的数据量也在不断的增长,从而导致人们在获取自己需要的信息时,很难及时而又准确地在庞杂的数据中挑选出来适合自己或者自己喜欢的资源,致使信息的使用效率大大降低。现在我们就生活在这样一个“信息过载”的时代。电子图书资源和图书馆图书资源的日益增多,为当今的在校师生带来了丰富的知识源泉。在图书馆的大量藏书中快速地挑选到自己感兴趣或者适合自己的图书是一项极具挑战的工作。传统的高校图书馆管理系统仅仅能够在一定程度上解决这个问题,可以为用户提供搜索、查询、借阅、归还图书等功能。但随着社会和信息化的发展进步,在校师生的阅读兴趣偏好会不断地发生变化、阅读范围越来越广,阅读需求逐渐呈现出个性化的趋势。为了提高高校图书馆图书资源利用率,满足用户的个性化需求,能够主动地为用户进行个性化图书推荐,本文对个性化图书推荐和用户兴趣变化开展研究,并实现了基于用户兴趣变化的高校图书馆个性化图书推荐系统。本文主要是帮助高校师生解决面对海量图书很难做出正确选择的问题,主动为师生进行个性化图书推荐。本文在分析传统协同过滤推荐算法的基础上,对用户兴趣变化问题加以考虑,分析出用户兴趣变化影响协同过滤推荐算法主要是在两个核心过程,即寻找相似邻居集合的过程和预测评分的过程。在这两个核心过程引入时间权重和频率权重相融合的调节因子,对算法进行改进。本文提出调节因子的方法符合艾宾浩斯遗忘曲线的原则,能够有效提高个性化图书推荐的准确性。高校图书馆个性化图书推荐系统以个性化推荐技术在高校图书馆的研究为背景,首先进行了需求分析,包括用户需求分析、系统功能性需求分析和系统非功能性需求分析,然后对系统的功能模块和数据库进行概要和详细设计,运用加入调节因子的协同过滤推荐算法实现个性化图书推荐模块,最终使用Java开发语言、B/S架构模式、SSH框架实现高校图书馆个性化图书推荐系统,测试结果显示该系统能够更准确地为用户进行个性化图书推荐,提高了图书馆图书资源利用率。

基于表示学习的个性化推荐技术研究

这是一篇关于推荐系统,协同过滤,word2vec,艾宾浩斯遗忘曲线,注意力机制的论文, 主要内容为随着网络的迅速发展,信息资源与日俱增,出现信息过载问题。面对海量数据,用户很难发现自己感兴趣的信息,商家也难以提供合适的信息给相应的用户。推荐系统能有效缓解信息过载问题,为用户提供个性化推荐。然而,已有的推荐算法仍存在数据稀疏、信息利用不足、模型复杂度高、预测准确率低等一系列问题。数据决定了算法模型的上限,本文针对上述问题,利用表示学习自动学习数据的有效特征,获得更高效有意义的特征向量表示,并结合表示学习提出两个推荐模型,在真实数据集和原型系统上测试性能。本文主要研究内容如下:1.针对传统推荐算法使用独热编码和Hash编码表示用户和物品时存在的数据稀疏性问题和编码无实际含义问题,提出基于word2vec的深度神经网络协同推荐模型Profile DNN。模型通过word2vec从用户交互历史中学习获得维度较低且稠密的物品向量,物品向量之间的向量相似度可以体现物品之间相似程度。随后结合物品向量和用户历史偏好构建用户画像,利用深度神经网络学习用户和物品之间的高阶特征交互,实现评分预测,为用户提供个性化推荐。2.本文利用艾宾浩斯遗忘曲线特性,提出基于时间注意力的多任务矩阵分解推荐模型TAMMF。模型保留矩阵分解向量内积的再现推荐方式,采用注意力机制捕捉用户和物品的邻近信息,考虑用户偏好随时间改变的特点,借助艾宾浩斯遗忘曲线描述邻近信息的时间衰减特性。在训练过程中,模型引入强化学习的经验回放方式重复训练,模拟记忆时的复习过程。训练获得用户和物品的向量表示,易于再现推荐和模型部署,且拥有较高的预测准确率。3.以TAMMF作为核心推荐算法,搭建一个基于B/S架构的电影推荐系统。系统划分为展示层、逻辑层和数据层,分别负责用户注册登录、电影评分、个性化推荐等功能。系统以Spring Boot,My SQL,Mybatis-plus,Redis等为基础开发,使用JMeter对系统进行压力测试。