5篇关于用户兴趣的计算机毕业论文

今天分享的是关于用户兴趣的5篇计算机毕业论文范文, 如果你的论文涉及到用户兴趣等主题,本文能够帮助到你

基于用户兴趣偏好社交关系的个性化新闻推荐系统设计与实现

这是一篇关于隐式社交关系,矩阵分解,用户兴趣,深度学习,推荐系统的论文, 主要内容为随着互联网web2.0时代来临,如何能够阅读到感兴趣的新闻已经成为众多网民生活的重要问题。然而在海量的互联网新闻中,人们往往只能被迫的看编辑推给我们的新闻。因此推荐系统应运而生,作为一种有效的解决这种问题的手段在学术界得到广泛的研究,并在工业界得到有效的应用。本文针对新闻推荐领域的仍存在的问题展开研究。主要的研究工作如下:(1)提出了一种基于用户隐式社交关系的个性化新闻推荐方法。用户显式社交关系中可以获得相似的用户群体偏少,相反用户的隐式关系能够挖掘到与用户更多相似的用户群体。基于这种现象我们从新闻数据集构建用户隐式社会关系,然后根据泊松矩阵分解建模用户的隐式影响概率,从而生成用户的新闻推荐列表。(2)为了解决用户兴趣偏好特征构建不够准确的问题,提出了一种基于用户搜索记录和兴趣偏好的个性化新闻方法。通过从用户的搜索记录中构建外源的用户兴趣偏好,然后利用提出的两种偏好融合的方法生成最终的推荐列表。在真实的新闻数据集上进行实验测试,结果表明该方法有很好的推荐效果。(3)针对新闻推荐中普遍存在的冷启动和数据稀疏性问题,提出了一种基于深度网络的个性化新闻推荐模型。通过对用户和新闻进行深度网络编码,构建更挖掘更复杂的关系,通过在真实的数据集上进行验证,相比于对比算法在召回率上有着显著的提升。(4)基于以上三个算法设计并实现了基于用户兴趣偏好和用户社交关系的个性化新闻推荐系统。系统包括了三个功能模块:用户功能模块、新闻展示推荐模块、后台管理模块。并针对用户冷启动问题增加了非个性化的功能,增强了用户使用体验。

基于大数据分析的音乐个性化推荐系统应用研究

这是一篇关于音乐推荐,大数据分析,个性化,用户兴趣,影响因子的论文, 主要内容为互联网音乐的出现,减缓了空间和时间对人们享受音乐信息服务的限制。但面对海量且不断增长的音乐作品,信息过载成为最直接的问题,提高用户体验的需求变得十分迫切。信息过载的有效解决方法之一就是推荐系统,它能够帮助人们从繁杂信息中发掘感兴趣的内容。因此,推荐系统与互联网音乐的结合成为音乐发展的必然趋势。本文参考传统音乐推荐方法,以大数据分析为基础提出一种结合用户行为、行为上下文、用户信息和音乐作品信息的大数据音乐个性化推荐方法。为了生成更好的推荐结果,本文将音乐推荐划分为:用户偏好获取、推荐候选集筛选和生成推荐结果三个阶段。用户偏好获取目的是获取用户的兴趣偏好,本研究通过建立用户动态兴趣模型获取用户偏好。用户行为能够直接体现用户的兴趣,是多种影响因素共同作用的结果。本文将用户大数据引入模型的建立过程,通过因子分解机(FM)学习方法分析各种影响因素对用户行为的作用从而建立用户动态兴趣模型,完成用户偏好获取。推荐候选集筛选阶段结合传统的协同过滤推荐思想,从两方面进行推荐候选集的筛选工作。一方面借鉴User Based-CF的思想,获取相似用户喜爱的音乐作品;另一方面借鉴ItemBased-CF的思想,寻找与用户偏好相似的音乐作品。从而确保候选集尽可能的覆盖用户喜好。生成推荐结果阶段首先对候选集中音乐作品利用用户动态兴趣模型预测用户的兴趣值,再充分考虑推荐系统常见的冷启动、热门物品处理等问题,对预测的兴趣值进行调整,根据兴趣值的排列生成推荐结果。同时,本文以处理性能、准确率和覆盖率为指标,设计并完成了对比实验,验证了改进推荐方法的有效性。以该方法为基础,完成了基于大数据分析的音乐个性化推荐系统分析设计工作。其中利用Hadoop数据处理服务和Mahout数据挖掘服务以提高系统整体性能,最后实现了基于大数据分析的音乐个性化推荐系统。通过系统测试,证明了系统的可实现性和有效性。

基于用户兴趣与项目流行度的协同过滤推荐算法研究

这是一篇关于推荐算法,用户兴趣,协同过滤,时间阈值,项目流行度的论文, 主要内容为近年来,我国电子商务和多媒体短视频数据使用量持续增加,网站个数和商品种类飞速增长,在这纷繁复杂的海量数据中如何高效筛选信息已经成为当前网络服务界研究重点。传统的搜索引擎着重静态网络技术,而忽视对用户动态信息变化的研究。为了平衡庞大的数据量和复杂的用户需求,作为连接信息与用户载体的个性化推荐系统应运而生,该系统可以帮助用户从数据库中提炼出关键词,有效地缓解信息过载问题,智能化地分析出用户需求。本文通过以上的分析,针对个性化推荐系统中的算法做了以下几个方面的研究,主要工作如下:(1)针对用户显性评分稀疏问题,提出修正用户——项目评分矩阵。传统的协同过滤算法已经无法解决用户评分矩阵稀与评分数据时效差异等问题,因此本文利用遗忘函数循序渐进的特点设立时间阈值,对用户评分进行分类与修正,解决用户评分随时间动态变化的问题,减少了评分误差,进一步改善了评分矩阵稀疏的问题。(2)针对用户隐性行为容易被忽视的问题,提出一种基于标签下兴趣建模的方案。现有的协同过滤算法更多的关注用户显性评分数据,而忽视了对用户隐性行为的挖掘,限制了推荐算法的作用效果。本文结合用户兴趣动态变化的特点,提出基于用户兴趣与标签的方式挖掘用户隐性信息,利用用户对标签标注的时间与频次,度量用户兴趣值的大小,权衡长短期兴趣在推荐算法中的作用,解决对用户隐性信息的挖掘与用户兴趣动态变化的特点,使个性化推荐系统具有更广的适用性。(3)流行度偏差是导致传统推荐算法准确率下降的重要因素。本文提出一种基于项目流行度的方案,通过设立流行度惩罚值,降低热门商品对推荐算法的作用,减轻因流行度差异对相似度计算带来的影响,从而提升个性化推荐系统的性能和精度。

面向用户兴趣变化的协同过滤推荐算法研究及应用

这是一篇关于协同过滤,艾宾浩斯,相似度,用户兴趣的论文, 主要内容为随着互联网的快速发展,我们已经进入“大数据”时代,每日产生的海量数据也让人们面临严峻的“信息过载”问题。推荐系统可以对用户进行个性化推荐,给用户带来方便与使用体验。因此,对于推荐系统的研究十分具有意义与价值。协同过滤算法作为主流的推荐算法之一,可以通过对用户与物品之间交互的行为信息进行相似度计算找出用户或者物品间的关系再进行推荐。但是传统的相似性度量公式例如余弦相似性度量只能结合用户或者物品的共同评分计算,无法充分的使用全部的评分信息。现实世界中数据集非常稀疏,传统的相似性度量公式会导致相似度计算不准确,从而影响推荐系统的准确率。同时,传统的协同过滤推荐算法在进行推荐时没有考虑到用户的兴趣,无法针对用户的兴趣进行个性化推荐,从而影响最终推荐效果。针对稀疏数据集下相似度计算不准确问题与传统协同过滤算法没有考虑到用户兴趣变化的问题,本文提出面向用户兴趣变化的协同过滤推荐算法。本文主要创新点包括以下几个部分:(1)提出了一种结合物品评分时序关系的混合相似性度量算法,本算法考虑到了物品的评分时序趋势,充分发掘用户评分物品的时间信息。同时将物品评分时序关系与共同用户评分相结合,相比于传统相似性度量算法能充分使用所有用户的评分信息。(2)提出一种面向用户兴趣变化的协同过滤推荐算法UICF,从时间上下文与物品属性特征两个方面考虑对用户兴趣的影响。结合TF-IDF理论构建用户兴趣模型,同时引入艾宾浩斯理论来模拟用户兴趣的衰减趋势,提出用户长短期兴趣衰减模型。(3)在本文提出的UICF算法基础上研发一套能针对用户兴趣进行个性化推荐的电影推荐平台。该平台从需求分析、系统设计、数据库设计等方面进行研发并实现,同时融合本文提出的UICF算法,可以针对用户的兴趣进行个性化推荐。本文通过在Movielens-100k数据集上实验分析,相比于其它相似性度量算法,本文提出的混合相似性度量算法能够更准确地计算物品之间的相似度。随后,在提出的混合相似性度量算法上考虑到了用户兴趣对于推荐效果的影响。在最终推荐时,充分的考虑到了用户的兴趣变化。通过与其它推荐算法对比,本文提出的UICF算法有着更高的推荐准确度。