5篇关于推荐方法的计算机毕业论文

今天分享的是关于推荐方法的5篇计算机毕业论文范文, 如果你的论文涉及到推荐方法等主题,本文能够帮助到你

基于聚类矩阵近似的协同过滤推荐模型研究

这是一篇关于谱聚类,矩阵近似,协同过滤,推荐方法的论文, 主要内容为基于矩阵分解技术的系统过滤是一种常见的推荐技术,但是由于用户和商品数据的稀疏性和推荐系统可扩展性差的问题,使推荐系统的准确性和计算效率受到了巨大挑战。本文提出基于显性信息和隐性信息聚类矩阵近似的协同过滤推荐模型,该模型主要针对推荐系统中存在的用户商品数据的稀疏问题和推荐系统可扩展性较差问题进行改进,以期提升推荐系统的准确率与计算效率。基于显性信息的聚类矩阵近似的协同过滤推荐方法通过用户和商品同时聚类来考虑用户对于商品兴趣的局部特性,找到评分矩阵的内在结构,形成稠密矩阵块。同时,该方法应用的是真实评分数据,而不是填充数据,从而较少地将缺失数据纳入计算范围,减少了噪声数据的干扰,提升了推荐质量。在稠密矩阵块内部做推荐减少了推荐系统整体的数据输入,提高了计算效率。基于隐性信息的聚类矩阵近似的协同过滤推荐方法首先将用户-商品评分矩阵转化为进过处理后的偏好指示矩阵,在此基础上进行寻找最相似的用户-商品稠密矩阵块。然后将通过偏好指示矩阵找到的稠密矩阵块中的数据还原为原始用户对商品的评分数据,并进行矩阵近似和对用户进行推荐。最后,本文选取MovieLens-100K电影评分真实数据集进行试验,并采用RMSE的评价指标对推荐系统进行评价。推荐实验表明,基于显性信息的聚类矩阵近似协同过滤推荐模型在准确性和可扩展性方面得到了提高,基于隐性信息的聚类矩阵近似协同过滤推荐模型比上一模型在准确性方面有所提高;两个模型在不同的情况下皆可提高推荐系统的准确性,提升可扩展性,从而带来更好的用户体验,提升电商平台与商家的收入。

基于知识图谱的医学检查项目推荐算法研究

这是一篇关于知识图谱,推荐方法,医学推荐,检查项目推荐的论文, 主要内容为在现阶段的医院就诊流程中,检查项目是患者就医过程中的一个重要环节,与之相关的突出性问题也不断出现,一方面是各大医院每天需要进行和安排的检查项目量越来越多,另一方面是在进行检查项目的过程中,还存在着大量的患者往返检查、排队检查、秩序混乱、环节手续繁多等问题,严重影响了患者的就诊体验,同时加重了医院运行负担,人均医学资源占据时间增加,加剧医学资源的紧张局面。基于此,本文结合大量临床电子病历和网站爬虫数据,利用知识抽取、知识存储、知识融合和知识图谱推荐等技术,构建检查项目领域的医学知识图谱,并基于此知识图谱实现检查项目推荐算法。本文首先进行针对检查项目领域相关知识图谱的研究和构建工作。主要包括检查项目领域相关知识图谱中本体概念体系的确定及本体库构建、医学知识领域内检查项目相关实体的抽取、基于图数据库Neo4j完成相关知识的存储和表示、检查项目相关领域知识图谱的构建以及不同数据源中同类实体的知识融合;其次为适应医学检查项目推荐任务场景的要求,在分析现有Ripple Net算法的基础上,引入中介中心性计算进而改进现有算法,区分不同实体对于最终检查项目推荐传播的影响力;以兴义医院包含3638名患者信息在内的电子病历为数据来源,基于改进后的检查项目推荐算法完成本研究的实验数据准备和参数设置,并进一步设计该算法与CART、KNN、RF、GBDT等机器学习算法的对比实验,结果表明在医学检查项目推荐任务上,本文使用的检查项目推荐算法具有优良表现力;最后将算法的检查项目推荐结果与患者就诊偏好相结合,进一步描述将该算法应用到C DSS临床决策支持系统中优化线上医院预约的示例。通过进行基于知识图谱的医学检查项目推荐,直接辅助CDSS,实现检查项目推荐专业化、精细化,即推荐的检查项目并非仅为患者角度的胃镜、CT一类,而是专业领域内且区分精细的检查项目,一定程度上优化了患者线上预约流程和患者就医体验,并且为释放医学资源,提高接诊效率和医学资源使用率提供了参考。

基于信息传播算法的推荐系统设计与开发

这是一篇关于信息传播算法,推荐方法,因子图模型,电影推荐系统的论文, 主要内容为随着互联网技术的不断发展,特别是移动网络的发展,信息量成爆炸式增长。如何在海量的信息中,为用户提供精准高效的个性化服务变得迫在眉睫。为了解决这个问题,推荐算法应用而生。随着用户特殊需求和新项目的不断出现,传统的推荐算法出现许多新的问题,如冷启动、推荐新颖度不够、数据稀疏等。面对这些问题,许多新技术被应用于推荐系统中,产生了一批新的推荐方法,如基于深度学习的推荐方法、基于协同过滤的推荐方法、基于矩阵分解的推荐方法等等。然而,在缺少用户信息的情况下,这些方法求解准确率较低。本文提出一种基于信息传播的推荐方法,信息传播算法是一种可以有效地求解各节点的置信度的方法,该算法是一种基于因子图模型信息迭代算法。目前,该算法已被应用于各个领域,如组合优化、多目标线性规划、图像组合等。将这种算法应用在推荐系统中,可以求出用户的边缘概率,进而为用户进行推荐。具体地讲:本文首先对豆瓣电影网进行了爬取,并对爬取的数据进行预处理,然后对电影评论数据进行中文情感分析,最后利用构建的电影评分综合模型得到电影的综合评分。基于综合评分,构建了一种因子图模型,然后在该因子图模型上进行信念传播算法求解,并通过与其它推荐算法的对比分析,验证了本算法的有效性。通过Python技术对推荐系统进行了搭建工作,将本文设计的推荐算法应用到系统中,最终实现了一个基于Flask框架的电影推荐系统。

基于幂律特性和局部敏感哈希的社交网络个性化推荐方法研究

这是一篇关于社交网络,推荐方法,协同过滤,幂律,局部敏感哈希的论文, 主要内容为本文聚焦于时下发展迅速的社交网络研究,针对大数据时代下社交网络研究的几个重要问题开展论文研究工作。社交网络是近年来最为流行和用户量最大的互联网应用,诸如国外的Facebook、Twitter和国内的新浪微博、微信朋友圈等,都拥有着亿级乃至数十亿级的用户群体,并且社交网络积累了海量的用户行为数据,这些人们通过社交网络的交流、分享所产生的行为数据对用户行为、信息传播、复杂网络、推荐系统等等领域的研究都有着重要的意义,涵盖了从管理学、社会科学到计算机科学技术的研究范围。本文立足于新浪微博的用户数据,针对大数据背景下带来的长尾推荐、数据稀疏性、数据维度灾难等问题开展研究工作。在社交网络数据中,幂律分布是数据的基本规律,幂律分布的长尾部分数据有明显的稀疏性,长尾推荐一直是推荐系统的挑战,而冷启动、数据稀疏和覆盖率这些问题也是推荐系统的重要研究内容。本文通过分析数据幂律分布的特性,在研究社交网络个性化推荐方法的基础上,结合社交网络用户行为数据反映出来的幂律分布特性,通过极大似然估计计算数据幂律分布的标度值。结合幂律特性改进了相似度计算方法,提出了一种基于幂律特性的混合推荐方法PowerLawCF(Collaboration Filter)。使用新浪微博的用户签到数据进行实验结果分析后,PowerLawCF算法的推荐效果有显著提升,提高了对于长尾推荐的效果,对推荐系统的数据稀疏性和冷启动问题有较好的解决。随着大数据时代的到来,数据维度灾难问题越来越显著,局部敏感哈希(Locality-Sensitive Hashing,LSH)在近年来成为研究者们关注的热点。文章通过对局部敏感哈希在KNN搜索计算上的高效表现,针对社交网络推荐构建合适的哈希函数族,并基于哈希结果进行用户分组,构建基于局部敏感哈希的个性化推荐方法,并通过数据实证分析证明推荐方法具有较好的推荐效果。本文通过对社交网络幂律特性、长尾推荐方法以及局部敏感哈希的应用研究,较好的解决了社交网络个性化推荐中的长尾推荐、数据稀疏性以及数据维度灾难问题,研究具有一定的理论和应用价值。