6篇关于用户兴趣模型的计算机毕业论文

今天分享的是关于用户兴趣模型的6篇计算机毕业论文范文, 如果你的论文涉及到用户兴趣模型等主题,本文能够帮助到你

基于标签的协同过滤推荐系统研究

这是一篇关于推荐系统,协同过滤,标签,用户兴趣模型的论文, 主要内容为随着信息技术的飞速发展,互联网进入Web2.0时代,网络中的信息资源呈爆发式增长,带来了信息过载的问题,学术界针对该问题提出了推荐系统的解决方案。推荐系统通过用户的行为记录推断出他们的兴趣偏好,从而为用户提供个性化的推荐服务。协同过滤是目前应用最为广泛且效果比较突出的一种推荐技术,它的基本工作流程为:利用用户的历史评分数据构建一个用户-项目评分矩阵,并通过该矩阵为依据计算用户之间的相似度,然后参考与目标用户相似的用户的评分记录进行评分预测,最终根据预测结果为目标用户进行项目的推荐。但随着互联网中用户与项目数量的不断增长,协同过滤技术面临着数据稀疏性问题的挑战。社会化标签作为Web2.0时代的一种典型应用,它允许用户使用任意单词或短语对互联网中的资源进行标注。标签既体现了资源的特征属性,也反映了用户的兴趣偏好。如果将用户的评分数据与标注记录相互合并,系统将能够更好地分析用户的兴趣偏好,从而提升推荐的质量。本文针对传统协同过滤技术的数据稀疏性问题,提出了一种基于标签的协同过滤推荐算法。该算法通过结合评分数据与标签信息,为用户构建了总体兴趣分布模型与个别兴趣偏好模型,并综合考虑用户兴趣与项目标签等因素进行评分的预测。实验表明本文提出的算法可以有效提高数据稀疏条件下系统的推荐质量。基于该研究成果,本文针对某个APP的实际需求,设计并实现了一个推荐系统。

基于社交网络的旅游路线推荐算法研究

这是一篇关于用户兴趣模型,路线推荐,系统分析,系统设计,Struts2的论文, 主要内容为随着我国经济的高速发展,人们生活水平的提高,自助游逐渐成为了人们出行旅游的首选。随着多媒体和网络技术的快速发展,旅游信息资源数量日益庞大,人们很难通过信息检索的方式来制定自己的出行计划,在出行旅游前需要耗费大量的时间和精力。然而,当前的旅游系统只是把旅游景点信息简单的组织在一起,很难满足用户的个性化需求。本文从智能旅游的角度出发,以满足用户的个性化需求为目的,对旅游路线推荐进行了系统的研究。本文基于社交网络的旅游路线推荐算法研究内容包括用户兴趣建模、基于用户兴趣的旅游路线推荐算法以及旅游路线推荐系统的设计开发三个部分。本文的研究工作如下:1)基于用户历史景点访问记录建立用户兴趣模型。先利用词袋模型得到所有评论的词频表示,然后经过去停用词、词性过滤和WordNet过滤构建字典,接着使用TF-IDF得到景点的向量表示,再将TF-IDF特征向量在字典上进行映射得到景点的特征,然后根据用户的历史景点访问记录得到用户特征,接着通过计算景点特征与用户特征的相似性构建用户的兴趣模型。2)提出了基于用户兴趣的旅游路线推荐方法。该方法首先对Flickr上抓取的图片进行用户聚类并按照时间排序得到用户的旅游路线轨迹,然后通过一阶马尔可夫模型建立景点转移概率数据库,接着结合用户兴趣模型,为用户进行旅游路线的推荐。实验结果表明,该算法能够有效地为用户进行旅游路线的推荐。3)基于Struts2、Hibernate、MySQL完成了旅游路线推荐系统的设计开发。首先从运行可行性、经济可行性、法律可行性、技术可行性、管理可行性五个方面分析了路线推荐系统的设计分析,接着讨论了路线推荐系统的架构设计并对系统中使用到的相关技术进行了简单的介绍,最后详细介绍了系统的开发实现,包括系统的数据库设计、前端页面以及后台功能的实现。旅游路线推荐系统主要包括以下模块:用户的注册与登录、景点的数据展示(包括景点的微博,游记,图片等)以及路线推荐。其中核心模块旅游路线推荐工作流程如下:用户通过前端发起请求提交表单数据(包括用户的当前所在景点,用户的历史景点访问记录)给后台,后台通过本文提出的基于用户兴趣的旅游路线推荐算法得到路线推荐结果并返回给前端,前端可以通过点击路线推荐结果在谷歌地图上可视化该结果。

基于用户动态兴趣模型推荐系统的研究与实现

这是一篇关于用户兴趣模型,协同过滤推荐,回购周期,时间衰减的论文, 主要内容为互联网、Web服务以及基于Web的信息系统的飞速发展使得网络资源激增,信息推荐成为信息过载背景下为互联网用户筛选信息不可或缺的有力工具。同时网络用户量规模也迅速增大,其中使用电子商务的网络用户比重不断提高,推荐系统发展逐步完善,在电子商务领域为用户提供精准营销、网站服务等方面大放异彩。电商推荐系统的目标是提高商品点击率和订单转化率,众多学者对推荐算法方向展开了深入研究,存在的问题包含:(1)算法捕捉用户需求的能力不足,没有考虑用户需求的动态性和迁移性。(2)用户购买行为具有周期性,系统缺少对该性质的分析,各电商平台存在推荐用户刚刚购买或者购买不久的重复商品的现象,造成用户体验不佳,引起用户反感。为解决上述问题,本文基于明来西游记电商平台研究并实现了追踪用户兴趣漂移的推荐系统,研究内容主要包括以下几点:首先、在深入理解电商事务日志、用户信息的数据特征和表现形式的基础上,将用户行为时间加入推荐算法,强调用户群体兴趣随时间推进的变化。第二、针对用户兴趣漂移的现象,结合上述研究结果,将用户兴趣模型分为短期和长期两个类,引入记忆曲线来构建用户兴趣权重衰减函数,模拟用户兴趣偏好的运动,提高算法对用户需求追踪的机动性。第三、针对电商平台的应用场景,以商品类目抽象代表用户购买兴趣点,构建用户-类别矩阵,改善协同推荐中矩阵稀疏造成相似度偏差的现象。第四,深入研究协同过滤的推荐算法,分析电商用户购买行为周期性特征,结合用户回购率和商品回购周期的概念,设计了一种引入商品回购周期的推荐修正模型,利用模型得到的修正因子为目标用户修正推荐候选集。第五,构建并实现基于用户动态兴趣模型推荐系统的明来西游记电商平台,给出平台总体架构设计,并基于SSM架构模式实现各模块核心功能。最后进行测试,结果表明用户兴趣模型能够准确表达用户兴趣点分布,基于用户兴趣模型的推荐算法提高了推荐召回率,通过对比动态模型与静态模型的推荐效果,结果显示动态模型具有更高的准确率,验证了基于记忆曲线模型更新的有效性。

基于C-LDA的教育领域搜索引擎的研究与实现

这是一篇关于C-LDA,Lucene,SpringMVC,频繁词网络,用户兴趣模型的论文, 主要内容为随着互联网技术的飞速发展,Web资源呈现爆炸式增长,它为各个领域的人们带来巨大而多元的信息。教育作为互联网领域的重要分支之一,为人们提供了丰富的学习资源。然而随着数据量的增加,一些问题也逐渐暴露:通用搜索引擎一般以基于关键词的倒排索引算法为基础,搜索结果覆盖面太过广泛,包含大量的广告和垃圾信息,不能根据用户的搜索意图给出相对完美的搜索结果。因此,建立一个面向教育领域的、与用户需求更加匹配、信息更加完善的垂直搜索引擎具有十分重要的现实意义。本文针对LDA主题模型与搜索引擎排序算法展开细致的分析和探讨,首先提出了一种基于频繁词网络的LDA最优主题个数选取方法(C-LDA),进而设计了一种基于C-LDA的用户兴趣改进模型,并基于以上提出的算法搭建一个教育领域搜索引擎系统,可供用户搜索更加感兴趣的教育类信息。本文主要的研究内容如下:(1)针对LDA主题模型目前无法确定最优的主题数目这一问题,本文提出了一种以频繁词集网络的社区划分个数来指定LDA主题模型主题输入个数的方法。该方法对文档构建频繁词对,并以此为基础构建词共现网络,然后采用无监督社区划分算法对该词共现网络进行社区划分,最后以划分的社区个数作为LDA主题模型的主题个数。该方法能够较准确指定LDA的隐含主题数,提升了主题查准率与查全率,降低了主题困惑度。(2)针对用户使用搜索引擎很难搜索到自己感兴趣的信息这一问题,本文提出了基于C-LDA的用户兴趣改进模型。首先,利用C-LDA主题模型分别计算用户和课程的隐主题(兴趣),并依据该兴趣分布做相似度计算,然后以该相似度作为用户与课程的兴趣相似度,并融合Lucene排序分数得到课程最终的排序分数。该算法相较于传统的搜索引擎算法,具有更高的兴趣精确率与兴趣召回率。(3)基于(1)和(2)中提出的算法,搭建了一套教育领域搜索引擎系统。为了解决搜索引擎数据获取的问题,本文采用HttpClient+Quartz+ActiveMQ技术设计了一套分布式爬虫系统。使用关系型数据库Mysql进行存储,并采用Ajax技术与SpringMVC框架结合设计了一套完整的教育领域搜索引擎系统方案。最后,实现了基于C-LDA的教育领域搜索引擎的各个功能模块,并将本文提出算法应用到该系统中,同时利用抓取到的数据对算法做了进一步的验证。