6篇关于信息熵的计算机毕业论文

今天分享的是关于信息熵的6篇计算机毕业论文范文, 如果你的论文涉及到信息熵等主题,本文能够帮助到你

基于迁移学习和上下文信息的协同过滤推荐算法

这是一篇关于协同过滤,数据质量,信息熵,迁移学习,上下文信息,数据稀疏性,耦合相似度,信任关系的论文, 主要内容为推荐系统作为一种解决信息过载问题的有效方式,已经在电商、视频和音乐等领域广泛应用,其中基于模型的协同过滤推荐算法由于良好的扩展性和极强的学术研究性获得了工业界和学术界的广泛关注。本文针对推荐系统实际应用中面临的推荐精确性、数据稀疏性和扩展性等问题进行了深入分析,分别结合迁移学习和上下文信息两种方法,提出了对这些关键问题的解决方案。具体如下:1、针对协同过滤推荐算法的准确性问题,提出了一种基于迁移学习的协同过滤推荐算法。该算法旨在通过将用户集划分子空间,建立迁移学习模型改善推荐算法的准确性。该算法以实际网站的推荐系统搜集的用户行为数据存在一定程度的质量差异为基本假设,综合考虑用户评分信息熵和用户评分特征空间方差两个指标对数据质量进行评价。在数据质量存在差异的基础上,把数据划分成质量不同的数据子群组,并通过迁移高质量组的物品特征隐向量提高低质量组的推荐精度。实验结果表明数据质量的差异性对推荐精度的提升有着重要的影响。2、针对协同过滤推荐算法的扩展性和数据稀疏性问题,提出了一种基于耦合辅助信息的协同过滤推荐算法,该算法旨在通过将用户上下文信息和项目上下文信息融合到矩阵分解模型,并利用耦合相似度度量方式计算分类属性特征的相似度,在提高算法的推荐准确性的同时提高算法扩展性。实验表明,该算法在提高扩展性的同时保证了准确性,而且耦合辅助信息的计算方法缓解了数据稀疏性的影响。3、针对协同过滤推荐算法的数据稀疏性问题,提出了一种基于融合信任关系的协同过滤推荐算法,该算法旨在通过将用户信任关系和因子分解机模型结合,并综合考虑用户的评分相似度和社交信任度定义用户贡献度,重点分析了用户信任关系的不对称性。实验结果表明,本文提出的模型比已有的结合社会关系的协同过滤推荐模型获得了更高的推荐准确性,而且融合用户信任关系的方法缓解了数据稀疏性的影响。

基于多维特征检测的异常评论识别方法研究

这是一篇关于异常评论,特征识别,信息熵,特征融合,支持向量机的论文, 主要内容为在电子商务快速发展的时代,网络购物已然成为一种人们普遍的购物方式。与此同时,越来越多的网购用户在购物之后,喜欢在电商平台分享自己对于所购商品及店家服务的观点和感受。大量的理论和实证研究表明,在网络购物情景下,网购评论对于消费者的购买决策和电商品牌及影响力的塑造均具有重要影响。随之而来,受利益驱动,一些不法商家采取雇佣虚假评论者发布不真实评论的手段,来提高自身信誉或诋毁竞争对手信誉,最终达到误导消费者购买决策行为的目的,致使网上虚假评论泛滥,不仅影响了消费者的正常购买决策,同时严重影响了电子商务的健康发展。这一问题已引起社会各界的广泛关注,亟待解决。基于上述背景,近年来异常评论检测已经成为电子商务和人工智能领域的研究热点之一,国内外学者从虚假评论的行为动机、形成路径、自动识别等多方面开展了大量研究。本文在学习借鉴已有研究成果基础之上,针对异常网购评论识别问题,从网购用户的评论行为和评论内容两个维度的特征分析入手,提出了基于行为和内容特征融合的异常网购评论识别方法,主要研究工作及取得的研究成果如下:(1)提出了一种基于行为熵的正常评论群体行为特征识别方法。该方法首先确定评论行为属性和评论用户分类,然后基于评论行为属性构建不同类别用户的评论行为熵模型,最后利用评论行为熵模型进行不同类别评论群体的行为特征提取,进而为异常评论行为检测提供模型和特征数据支撑。(2)提出了一种基于评论内容主题偏离度计算的正常评论文本特征识别方法。该方法首先构建评论文本特征集合,然后基于文本特征构建主题偏离度计算模型,最后利用主题偏离度计算模型提取正常评论文本的主题偏离度特征,进而为异常评论内容检测提供模型和特征数据支撑。(3)提出了一种基于评论行为和评论内容特征融合的异常评论检测方法。该方法分为两个阶段,第一阶段将日评论行为特征和日文本特征进行特征融合,然后利用该融合特征训练得到的SVM分类器,对评论语料中存在的日异常评论行为进行粗粒度的识别;第二阶段利用特征融合方法进行评论文本的多特征融合,然后利用融合后的文本特征进行SVM分类器训练,最后,利用该分类器,以第一阶段识别出的日异常评论行为所对应的评论集作为输入,进行基于文本内容的虚假评论识别。通过实验验证,该方法比传统的单一维度识别算法具有更好的识别准确率。

基于混合协同过滤的电影推荐系统的设计与实现

这是一篇关于协同过滤,项目属性,信息熵,兴趣变化,JSP技术的论文, 主要内容为信息过载是由Web2.0互联网时代信息急速增长带来的严重消极影响,而个性化推荐技术是解决该问题的有力武器。协同过滤是目前应用最广泛和最成功的推荐技术。但是传统的协同过滤算法存在数据稀疏和用户兴趣变化问题,算法精度受限。为了解决上述问题,本文在前人研究基础上提出了一种融合项目属性和时间因素的混合协同过滤算法。此外,考虑到每一天、每个时间段都会有大量的新电影上映,这些电影数量多、种类广、质量层次不齐,用户面临着电影信息过载问题。为此,本文将改进的算法应用到解决实际问题当中,设计并实现了一个以B/S架构为基础的电影推荐系统。所做的工作涵盖以下几点:第一、针对数据稀疏性问题,提出一种基于信息熵的综合相似度计算方法。该方法利用项目属性信息比较稳定、不受评分稀疏性影响的优势,在计算评分相似度的同时,进行项目属性相似度的计算,从而深刻挖掘项目之间的内在联系,提高项目相似度计算的准确性。第二、为了解决用户兴趣变化问题,构建了一种适应于不同用户群体的兴趣变化模型。该模型包括两种权重,第一种时间权重是受艾宾浩斯记忆曲线启发,通过指数衰减函数来模拟用户兴趣的变化过程,并为不同用户群体设置不同的衰减系数,从而突出近期用户行为数据的重要性。第二种权重是基于项目相似度的数据权重,通过计算历史访问项目与近期时间窗口T内的相关性,旨在克服单纯依靠第一种权重带来的弊端:削弱所有早期行为数据包括有价值的。第三、根据设计的改进算法,构建了一个基于B/S架构的电影推荐系统,包括数据库模块、离线计算模块、在线智能推荐模块、系统信息管理模块等。系统在Java Web开发环境下使用jsp和servlet相关技术实现,这不仅可以提供一种高效、简洁的编程手段,而且能够增强网页的独立性和可重用性。第四、通过实验分析比较所设计的算法与传统推荐算法在性能和效果上的差异,讨论融合项目属性和时间因素对推荐算法的影响。实验结果表明,改进后的算法能够缓解数据稀疏问题,而适应于不同用户群体兴趣变化模型的引入,增强了算法对时间因素的敏感性,从而提高了算法的准确率。设计与实现的电影推荐系统在对电影信息进行有效管理的同时,还能够为用户提供有针对性的电影资讯推荐服务。

基于改进融合模型的电影推荐系统的研究与实现

这是一篇关于隐语义模型,k近邻模型,信息熵,兴趣变化,年龄分组,B/S架构的论文, 主要内容为随着互联网技术的广泛应用,人们被海量信息淹没,从而很难有效的找到自己所需要的内容,面临着信息过载带来的诸多问题。在电影视频网站中此类问题尤其明显,人们很难快速找到自己可能感兴趣的电影信息,并在寻找电影的过程中耗费了大量的精力。推荐系统技术通过直接向用户推送可能感兴趣的内容解决了该问题,并弥补了搜索引擎的不足,该技术正在受到越来越多学者以及工业界的关注。首先,介绍了协同过滤算法的核心理论及其实现,其主要分为基于邻域的协同过滤和基于模型的协同过滤。基于邻域的协同过滤主要通过评分矩阵计算相似度,再通过邻居集预测评分形成推荐,但是矩阵稀疏性、用户兴趣变化、冷启动是该技术很难解决的问题。基于模型的协同过滤,如聚类模型、贝叶斯网络模型等通过机器学习的方法解决了以上部分问题,并得到了更好的预测准确性,但同时也存在自身的不足。其次,介绍了奇异值分解的原理与方法,并针对其需要存储空间大、效率低等问题,引出了基于梯度下降的隐语义模型。此后在原始隐语义模型模型中加入了偏置项,并通过实验与原始隐语义模型进行了RMSE的比较。从多角度将隐语义模型与基于邻域的协同过滤的特点与局限性进行了对比。然后,提出了一种改进的k近邻模型,针对相似度单一问题,提出基于信息熵的项目属性相似度与原始余弦相似度进行线性加权融合。针对不同用户兴趣变化的问题,以艾宾浩斯记忆曲线为理论基础,设计出一个兴趣衰减权重,并将用户按年龄分组设置衰减系数,从而强化近期行为对推荐结果的影响。利用改进的k近邻模型对biasedSVD隐语义模型进行误差修正,实现两种模型的有效融合。通过在movielens数据集上进行试验对比,我们发现改进融合模型拥有较高的预测准确性。最后,应用了改进的融合算法开发了基于B/S架构的电影推荐系统,该系统应用JSP以及Servlet技术实现了个性化推荐、热门电影推荐、用户打分、电影管理等基础功能,达到了针对不同用户个性化推荐的目标,证实了算法的实用性。

不同情感的在线评论文本信息熵对评论有用性的影响

这是一篇关于评论有用性,信息熵,情感的论文, 主要内容为近年来,网购成为了生活中必不可少的消费方式,但是由于网络的虚拟性,消费者无法真实触碰和评估商家所售卖的商品或服务,因此,在线评论成为了影响消费者购买意向的重要因素。消费者从在线评论中获取无法从商品描述中获取的信息,消除网购中信息不对称和购买不确定性。然而,由于网购的迅速发展,在线评论的数量激增,消费者从在线评论中获取有用的信息,需要花费巨大的时间和精力,因此,如何准确识别有用评论成为了学者们关注的问题。目前,研究主要集中于评论评分、评论信息和评论情感等方面。从信息熵的角度去度量评论信息,使用情感极性和情感总量来描述情感对评论有用性的影响,是一个全新的识别评论有用性的视角。本文在以往的相关研究基础上,结合信息熵与情感的概念和特性,对评论有用性、信息熵、情感极性和情感总量之间的关系逻辑进行了梳理。通过爬取Ebay电商平台的产品和评论信息,得到了电影影碟(体验型产品)和iphone(搜索型产品)两种不同类型产品的数据,共6437个样本,每个样本中包含产品价格、产品评分、评论评分,评论文本等信息。使用NLTK和SentiStrength软件计算得到评论的信息熵、情感极性和情感总量的数值。最后利用STATA14.0软件对数据进行描述性统计和回归分析。实证结果表明,在体验型产品中,信息熵、情感极性和情感总量对评论有用性都具有显著正向影响,情感总量对信息熵和评论有用性的关系中起到正向调节作用,在搜索型产品中,信息熵对评论有用性具有显著负向影响,情感极性和情感总量对评论有用性都具有显著正向影响,且情感总量和情感极性对信息熵与评论有用性的关系都起到正向调节作用,情感总量和情感极性对于体验型产品的作用都要大于搜索型产品。根据本文的研究结论,论文提出了相应的建议来帮助企业进行管理。电商平台可通过评论信息熵、情感极性和情感总量等因素,改善在线评论的排序机制,有效识别有用评论,并进行呈列以供消费者浏览。商家对于不同产品类型的评论信息要区别对待,鼓励消费者进行商品评论时,加入适当的情感描述,且不必太害怕负面评论。积极的评论会增加评论有用性,增强消费者对评论信息的感知,而过度消极的评论作用并不大。本研究补充了评论有用性的相关研究,也为评论中的情感对评论有用性的影响做出了深入的解读,让电商平台和商家理解评论信息与评论情感之间的关系,为此做出相应的管理措施。