5篇关于数据稀疏的计算机毕业论文

今天分享的是关于数据稀疏的5篇计算机毕业论文范文, 如果你的论文涉及到数据稀疏等主题,本文能够帮助到你

基于知识图谱上下文感知的服务推荐方法

这是一篇关于推荐算法,知识图谱,数据稀疏,可解释性的论文, 主要内容为个性化推荐算法是面向海量数据的一种行之有效的智能算法,也是解决“信息过载”问题的重要方法。但传统推荐算法只将用户对物品的历史交互信息作为输入,这将引起两方面的问题。一方面,用户对物品的历史交互信息往往很稀疏,导致推荐算法很难学习到有效的用户兴趣。另一方面,现有的推荐算法对推荐结果缺乏解释,难以满足部分用户理解推荐依据的愿望。近年来,研究者使用知识图谱来缓解上述问题,但依旧存在不足。论文针对推荐算法如何进一步缓解数据稀疏与提升推荐结果的可解释性问题,开展基于知识图谱上下文感知的推荐算法研究。论文的主要贡献如下:1.构建了更加细致的用户偏好,引入用户的显式反馈信息,并在推荐算法中将显式与隐式反馈信息结合使用。通过点击率预估实验,验证本算法的有效性。2.针对基于知识图谱的推荐系统中数据稀疏问题,提出了一种混合短期偏好与知识偏好的推荐算法,充分利用用户历史点击信息与知识图谱的结构化信息,深度挖掘用户偏好。通过点击率预估实验,展示模型深度挖掘用户偏好与缓解数据稀疏问题的能力。3.针对基于知识图谱的推荐系统中存在缺乏可解释性的问题,提出一种知识增强的可解释性推荐算法,将物品类别信息与知识图谱中的信息相结合,使用注意力机制计算出用户对不同的知识图谱实体关系的兴趣,为待推荐物品提供尽可能准确的推荐理由。通过点击率预估与验证注意力机制实验,证明提出算法的可行性。

基于社交网络面向移动终端的推荐系统设计与实现

这是一篇关于协同过滤,数据稀疏,冷启动,社交网络,图聚类,Android的论文, 主要内容为随着互联网技术的不断发展,我们已经进入了一个数据爆炸的时’代,用户对个性化服务的要求越来越高,他们不再满足于统一的用户体验,而是希望系统能够根据自己的兴趣喜好,提供相应的推荐内容以及有针对性的服务。推荐系统在这样的背景下应运而生经过市场调研,国内某电信运营商有大量的移动应用,但是这些应用来自于不同的产品基地,推广成本比较高,并且用户的参与度也相对较高,他们迫切需要一个平台性质的推荐系统来连接应用和用户,整合所有的应用,降低推广成本,从而也降低用户的参与度。基于以上情景,本文提出并设计实现了基于社交网络的面向移动终端的推荐系统,旨在提供一个独立于第三方应用的推荐系统平台,一方面使应用开发商开发的应用尽快推广到目标用户,另一方面使用户可以快速找到自己感兴趣的应用。本系统通过实现用户管理功能来维护用户社交关系信息,通过提供简易的评分插件实现第三方应用的方便接入及用户对其打分信息,结合用户的社交关系信息以及打分信息对于传统的协同过滤算法进行改进,有效地处理了基于协同过滤推荐算法中的数据稀疏和冷启动问题。此外,为了提高系统的使用价值,系统提供文件管理功能实现了基于网络存储的用户文件的上传、下载、分享、同步等功能。本文是IBM公司“蓝色之路”实习活动的一个创新项目,该项目计划通过了IBM专家的评审,有着一定的应用前景。本文的主要工作包括： ●本文对于项目背景和意义、社交网络的基本概念以及协同过滤推荐算法的国内外研究现状进行了论述。 ●详细阐述了协同过滤算法的实现方式,分析其优缺点,针对传统协同过滤推荐算法中数据稀疏和冷启动问题,提出解决方案,即对于基于用户协同过滤推荐的算法进行改进,将社交的信息应用到推荐算法中,对用户社交关系模型化为加权无向图,并对用户关系图进行稀疏化预处理,进而对稀疏化的用户关系图进行聚类进而得到推荐用户的TopK个最近邻居集,和历史评分矩阵相比,最近邻居评分矩阵不但规模比较小,而且包含了用户维度上和项目维度上对于目标评价最有价值的信息,最后再根据最近邻居评分矩阵,进行加权均值预测,得到目标用户的TopN推荐。 ●基于前文提到的算法和结构为原型,设计并实现了基于Android移动终端操作系统的推荐系统。

基于协同过滤的二手房推荐及预测研究与实现

这是一篇关于二手房推荐系统,协同过滤,二手房价格预测,数据稀疏的论文, 主要内容为随着互联网大数据技术不断的发展,人们通过挖掘数据来寻找有价值的信息,虽然给我们带来了更多便利,但同时也带来了诸多问题。以购买二手房为例,成千上万的房源数据就会给购房者带来困扰。推荐系统则是一种有效的保护措施,面对庞大的数据信息时能及时推荐出用户想要的物品。为了利用好这些数据,本文利用推荐系统技术结合二手房数据平台,针对传统的二手房网站数据过多信息量过大等问题,设计并实现了基于协同过滤的二手房推荐及预测系统。本文主要工作内容以及创新点如下:(1)本文提出了一种结合时间权重和用户兴趣变化的混合协同过滤方法TACF(time and interests collaborative filtering)。如今推荐系统面临的难题则是用户和项目数量变多,导致推荐精准度变低和数据稀疏等问题。本文提出改进的混合协同过滤推荐算法,首先,先建立用户兴趣分布矩阵,计算用户之间兴趣相似度;其次,引入时间权重函数,计算用户评分相似度;最后,将两种相似度方法结合起来,用改进的预测评分公式来计算相似度。这样更好地反映出用户兴趣的变化,与传统的推荐算法相比能显著提高推荐精度,并在数据稀疏的情况下提高推荐质量。(2)针对传统的二手房价格预测问题,当前市场还很难有效准确的预测房价问题。本文结合了机器学习算法模型对比传统房价预测问题上得出具有更好的预测性和精准性。在有些二手房数据较少的情况下为了弥补数据稀少带来的偏差,用交叉验证技术对五种不同算法模型进行预测分别得到五个均方误差和标准化均方误差,选择出预测结果最佳的模型。为了避免预测评估方法不足进一步确保预测二手房价格更加合理,又引入特征价格与最佳预测模型算法结合,构建价格评估模型,确保了二手房价格最终结果的准确性和可靠性。(3)最后,在提高推荐算法精度和二手房价格预测基础上,设计实现了二手房推荐系统。二手房推荐系统不仅满足了用户在需求和功能体验上的满足,并且有效的改善了推荐系统中存在着精准度变低和数据稀疏等问题,帮助用户快速了解想要的房源信息,极大的改善了购房时的烦恼,具有一定的实际应用价值。

多元化信息融合的电商推荐系统设计与实现

这是一篇关于推荐系统,数据稀疏,协同过滤,热门物品抑制,时间因子的论文, 主要内容为近年来,随着互联网科技和Web服务的高速发展,网络信息迅速传播且急剧增加,虽方便了人类生活,但也出现了“信息超载”的问题,推荐系统技术便应运而生。随着电商平台用户的不断增长,推荐系统也在逐步完善,在电商领域大放异彩。电商平台中推荐系统的主要目的便是通过为用户推送符合用户喜好的物品来提高点击率以及订单成交率。国内外学者对推荐算法进行了众多研究,但仍会存在数据稀疏、无法动态追踪用户兴趣等方面的问题,易导致用户满意度下降、体验感不佳等。本文依赖传统协同过滤算法研究出一种多元化信息融合的推荐算法来解决上述问题。主要工作为:1)针对用户评分矩阵的数据稀疏问题,充分考虑到不同用户的评分习惯以及物品本身属性对评分数据的影响,通过求取用户对每种物品属性的偏好权重值以及不同用户对已评分物品的评分均值来对矩阵缺失值进行加权平均填充。2)计算用户相似度时,在皮尔逊相关系数中引入热门物品抑制因子,深度挖掘用户的个人兴趣和隐性喜好,有效减小热门物品对推荐算法精准度的影响。同时根据人类遗忘曲线函数引入时间因子权重,实现动态追踪用户兴趣变化趋势,并将两种相似度计算结果进行有效加权结合。3)依据Spring Boot服务框架及相关技术栈设计并实现一套电商推荐系统,并将多元化信息融合的推荐算法应用到电商系统中,实现个性化推荐服务,有效提高系统平台用户的满意度。