8篇关于遗忘曲线的计算机毕业论文

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

云BIM环境下的建筑工程施工质量培训系统研究

这是一篇关于质量管理,BIM,遗忘曲线,云计算的论文, 主要内容为建筑工程的质量与使用者的生命和财产安全息息相关,质量管理也一直是工程管理领域长期以来的研究热点;施工阶段作为项目实现的主要过程,是工程质量管理的核心阶段,而建筑工人作为施工阶段的一线参与者,其技能素质的高低对项目的最终质量有着决定性影响;现阶段常通过施工质量培训快速提高工人的技能素质,以保证工程项目的施工质量。尽管如此,目前的施工质量培训仍存在着内容枯燥、形式单一、效率低下等诸多问题,严重影响了质量培训的效果。随着近几年BIM技术在业内的推广,及云计算、大数据等技术的兴起,建筑业逐渐朝着数字化、智能化的方向发展,为解决施工质量培训中的相关问题提供了新思路;而已在教育培训领域应用成熟的艾宾浩斯遗忘曲线理论,可通过改善人体学习记忆方式,为施工质量培训提供进一步支持。为此,本文提出了基于BIM技术、艾宾浩斯遗忘曲线理论及云计算技术的施工质量培训优化方法,并开发了云BIM环境下的建筑工程施工质量培训系统,通过解决传统质量培训模式中的相关问题,来提升施工质量培训效果。本文主要的研究内容如下:(1)在阅读了大量国内外相关文献的基础上,对BIM技术、艾宾浩斯遗忘曲线及云计算技术相关理论进行了分析与总结。(2)通过对我国目前施工质量培训现状及问题进行分析,提出了系统的功能性需求与非功能性需求,并分析了系统实现所需的BIM二次开发技术及云环境搭建技术,在此基础上,论证了系统在经济、技术及操作三方面的可行性。(3)基于上述工作对系统进行了详细的架构选型设计、功能模块设计及数据库设计,并深入阐述了系统三大核心功能的实现方法,具体为:基于BIMFACE平台进行BIM二次开发,将施工节点模型数据与技术交底资料数据相集成,实现可视化、交互式的技术交底;基于遗忘曲线记忆规律,将人体记忆周期与施工进度计划相结合,为工人推送科学、合理的学习提示;基于Docker技术搭建系统云环境,并部署、运行Spring Cloud微服务应用,实现对工人学习情况的实时跟踪。(4)依据上述系统核心功能实现方法并结合相应软件开发技术,完成了原型系统的开发;在此基础上,选取合适的案例对系统在实际中的应用进行了验证,证实了本文研究方法的可行性及有效性,从而为改善施工质量培训现状,进一步辅助质量管理过程提供了理论依据与技术支撑。

云BIM环境下的建筑工程施工质量培训系统研究

基于标签聚类和多构面信任关系的推荐方法研究

这是一篇关于个性化推荐,遗忘曲线,非信任关系,张量分解的论文, 主要内容为随着社交网络的蓬勃迅猛发展,产生了庞大的数据信息量,对标签数据进行的相关的推荐算法的研究也就应运而生,并成为研究热点问题之一。社交网络在各个机构领域中产生的影响效果越来越大,它正潜移默化的影响并改变着人们的生活方式、学习方式甚至是成长模式。个性化推荐系统的出现,给用户带来更为人性化的推荐。突破传统推荐单调重复的问题,提升推荐的多样性和新颖性。通过多维度挖掘用户长短兴趣画像,可以精准把脉用户需求并多策略融合优化推荐的多样性、新颖性和时效性。科研工作者同时有机会在拥有大量数据的线上社会网络平台上进行分析和研究,取得了高水准、高质量的研究成果。针对于传统个性化推荐系统只考虑静态兴趣维度,没有考虑兴趣动态变化的问题,本文提出基于标签聚类的多构面信任关系的推荐方法,该方法借鉴艾宾浩斯遗忘曲线的思想,跟踪兴趣变化给用户推荐带来的影响。通过SPSS统计分析工具,曲线估算出了与遗忘曲线有相当高拟合度的幂函数曲线,为了解决时间因素对推荐准确性带来的问题,提出了基于时频窗的时频兴趣变化函数;然后针对标签数据冗余稀疏难题,在此基础上改进了谱聚类算法,提高推荐准确性;并将标签簇作为划分多构面的依据,以此构建非信任张量,其次针对信任强度的计算问题,通过改进簇间和簇内的信任与非信任关系,并将其二者结合以构建非信任张量。最后利用张量分解方法得到Top-N推荐结果。通过实验进行算法对比,结果表明本文提出的推荐算法能够在解决标签数据冗余的同时保留语义关系并考虑用户的兴趣随时间变化的因素,在推荐准确性方面有显著的提高。

云BIM环境下的建筑工程施工质量培训系统研究

结合时间效应的音乐推荐方法研究

这是一篇关于LightGBM,音乐推荐,协同过滤,遗忘曲线,时间衰减函数的论文, 主要内容为随着互联网和数字音乐的迅速发展,各类音乐平台为用户提供了大量的音乐作品。然而随着音乐作品数量的急剧增加,用户面对大量的歌曲信息,很难快速找到自己感兴趣的音乐。为了给用户提供良好的使用体验,同时增加用户对音乐平台的满意度,各类音乐平台使用推荐系统来为用户提供个性化推荐服务。由于用户的兴趣是不断变化的,且随着时间的推移,会出现遗忘现象,进而对用户当前兴趣产生影响。然而常见的推荐系统进行个性化推荐时,很少考虑时间因素,为了使用户在数据庞大的音乐数据里找到自己感兴趣的音乐作品,本文将遗忘现象对兴趣产生的影响纳入个性化的音乐推荐算法中,以提高推荐质量。本文考虑到时间因素的影响,提出了两种基于时间衰减函数的音乐推荐模型,一是基于时间衰减函数的协同过滤音乐推荐模型:首先以艾宾浩斯遗忘曲线为基础,拟合指数型时间衰减函数与幂函数型时间衰减函数,其次根据用户听取歌曲频数的分布,建立了合理的评分机制,然后根据修正余弦相似度公式计算评分相似度、歌曲相似度,将两者融合得到歌曲的综合相似度,再引入时间衰减函数得到音乐综合相似度,进行评分预测;二是基于时间衰减函数的Light GBM音乐推荐模型:首先通过时间衰减函数对用户评分进行衰减修正,然后运用Light GBM模型进行评分预测,当评分大于等于阈值时进行推荐。在公开音乐数据集Last.fm上,通过实验对提出的两种基于时间衰减函数的个性化音乐推荐算法进行评估。实验表明,引入了时间衰减函数的协同过滤推荐算法(TDF-CF)优于传统的协同过滤算法(CF),引入幂函数型时间衰减函数的协同过滤推荐算法效果更好;引入了时间衰减函数的Light GBM音乐推荐算法(TDF-LGBM)的推荐效果优于未引入时间效应的传统的协同过滤算法(CF),并且引入幂函数型时间衰减函数的Light GBM音乐推荐算法效果更好。最后两种模型的实验结果进行对比分析表明,融入时间效应的TDF-LGBM音乐推荐算法的推荐效果优于TDF-CF的音乐推荐算法的推荐效果,且幂函数型的遗忘曲线对于推荐更有优势,引入幂函数型衰减函数的TDF-LGBM算法的推荐结果最佳。因此,结合时间效应与Light GBM算法建模音乐推荐,能够提高音乐推荐的准确性,为目标用户提供更符合其偏好的音乐作品。

情感偏好下的双近邻个性化电影推荐方法研究

这是一篇关于个性化推荐,双近邻,用户偏好,遗忘曲线的论文, 主要内容为随着信息技术被广泛应用,互联网的爆炸式增长及快速发展,信息资源迎来了高速度、多样性、密集化传播的时代。但另一方面,人们也逐渐从信息匮乏的时代走入了信息过载的时代,越来越多的数据得不到有效的利用,造成了信息资源的浪费。于是,推荐系统应运而生,它的任务就是联系用户和信息。一方面,推荐系统能过滤无用信息,帮助用户发现对自己有价值的信息;另一方面,它能让符合用户需求的资源和信息主动展现在可能感兴趣的用户面前,从而实现信息消费者和信息生产者的双赢。本论文主要分析了个性化推荐系统中的几个关键性问题,传统的推荐算法存在矩阵稀疏性问题、用户及项目的冷启动问题,并且推荐过程中传统算法较少考虑推荐结果的时效性,忽视了用户对项目属性的偏好及其变化规律。为了解决上述问题,本论文主要研究了结合用户和项目相似度双近邻的推荐方法,提出了一种基于项目相似度的矩阵填充方式,解决稀疏性的同时综合了算法的优势。另外,在双近邻推荐结果的基础上,增加用户对项目各属性特征的偏好的变化对推荐结果进行TopN排序。本论文的主要研究工作有:(1)确立了双近邻思想下的推荐方法,利用电影的二值矩阵选择其相似电影群,并对稀疏的用户评分矩阵进行填充,同时利用填充后的评分矩阵选择其相似用户群,从双近邻的角度综合考虑用户之间和电影之间的相似度,使得推荐结果更准确。(2)根据电影的类型和上映年份计算用户的偏好,本论文通过计算用户历史观影记录中包含各属性特征的电影的得分,并以其所占的比重为权重,计算用户的偏好,考虑用户对电影的类型和新旧程度的兴趣倾向。(3)认为用户的偏好会随时间发生改变,为了反映出用户过去的偏好对推荐的影响会随着时间间隔的增长而削减,利用艾宾浩斯遗忘曲线理论,建立了基于遗忘曲线的时间效应函数,用于计算用户兴趣偏好的动态变化,使推荐结果更具有时效性。最后挖掘豆瓣电影网的数据,作为训练集和测试集,对本论文提出的算法进行了实验,结果表明该算法在推荐准确度上相较于传统算法有了显著提高。

基于双重聚类的协同过滤优化方法研究

这是一篇关于双重聚类,Kruskal算法,遗忘曲线,相似度优化的论文, 主要内容为随着网络与信息技术的快速发展,人们开始进入到“信息爆炸”时代,但是,严重的信息过载问题也随之而来。用户很难在海量信息中快速搜寻自己所需要的信息,并且所消耗的时间也会大量增加。推荐系统的问世则能很好解决信息过载问题,它可以基于用户的个体差异性,为其提供个性化服务。由于推荐系统中的用户数量和项目数量都极其庞大,用户评分矩阵实际上是一个极度稀疏的矩阵;当用户新加入系统或者用户的历史行为数据极其少的时候,系统也无法根据现有的历史数据为其进行推荐服务;另外,大部分用户评分所跨越的时间较长,在此期间,用户的兴趣也许会发生迁移。由于数据稀疏性、冷启动和实时性等问题在推荐系统中普遍存在,对推荐系统的质量造成了严重影响。为了解决这些问题,本文进行了相关研究,论文的主要工作如下:(1)阐述推荐算法的研究现状和基本原理,对推荐算法的最新研究进行了分析,总结推荐算法存在的缺点及原因,为改进算法提高推荐精度提供思路。(2)为了解决数据稀疏性问题,提出了一种基于Kruskal算法的K均值双重聚类优化方法,对用户和项目进行双重聚类,然后基于聚类结果中相同类中的其他项目或者用户,完成空白评分项的填充。借助于该方法所取得的填充结果具有较高的可信度,在解决数据稀疏性问题方面效果明显。(3)改进用户相似度和项目相似度的计算。计算用户相似度时利用艾宾浩斯遗忘曲线模拟用户兴趣随时间改变的趋势并融合用户属性。将不同时间的用户评分给予一定权值,由此获得的相似度将能更加真实的契合当前用户。计算项目相似度时融合项目属性,从而较好地解决用户兴趣变化与冷启动问题。(4)对本次研究所提出的双重聚类协同过滤优化算法进行验证并和传统的协同过滤算法进行对比分析,进而验证本次所提出的算法的有效性。通过实验得出本次所提出的算法MAE值更小,推荐精度更高,能够取得更好的推荐效果。