9篇关于时间上下文的计算机毕业论文

今天分享的是关于时间上下文的9篇计算机毕业论文范文, 如果你的论文涉及到时间上下文等主题,本文能够帮助到你

基于哈希学习和时间上下文的推荐算法研究

这是一篇关于推荐算法,哈希学习,电影推荐系统,时间上下文的论文, 主要内容为随着科学技术的不断进步,人们已经开启Web2.0时代,随之而来的“信息过载”和“信息爆炸”问题也越来越严重,并且如电商平台等以盈利为目的的网站,存在着经济学中“长尾理论”的现象,即80%的盈利来源于20%的热门商品,但是剩下的80%商品拥有巨大的商业价值,如何将剩余的80%商品推荐给需要的人是解决这一问题的关键。海量的数据使人们需要花费大量的时间和精力去寻找自己所需要的信息,而推荐系统的出现大大地缓解了这一难题。推荐系统通过收集用户的历史行为或者用户的兴趣偏好经过推荐算法的计算来产生用户可能感兴趣的项目列表,在人们没有明确目的或者目的模糊的情况下,推送给用户可能需要的信息。但是推荐系统仍然存在着新用户或者新项目的冷启动问题、准确率问题以及大数据下实时性的问题。本文作者通过大量阅读、收集整理推荐系统相关知识,较为全面地介绍了推荐系统的基本理论知识,阐述了论文的研究意义和国内外的研究现状,针对现有推荐算法中的某些问题与不足进行了探究。本文的主要研究成果如下:首先,针对现有基于时间上下文的推荐算法仅考虑记忆遗忘曲线对用户兴趣变化的影响,而没有将物品以及用户本身具有的时间属性考虑到对用户兴趣的影响因子中,本文提出了一种改进后的基于时间上下文的推荐算法,主要是将用户的年龄以及物品的背景时间等属性融入到传统的时间衰减函数中,改变用户相似度权重对推荐物品的预测评分的影响,最后在真实的数据集上进行实验验证,对比传统的推荐算法本文算法在准确度等多项指标上有较大提升;其次,针对传统的基于哈希学习的推荐算法在二进制码相似性与用户偏好的等价问题,提出了改进的哈希学习推荐算法,在评分信息的处理方面通过去除评分偏置来更好地求解相似度,并通过加入用户和项目时间属性来缓解算法的冷启动问题,通过实验以及结果分析说明了算法的可行性。最后本文通过基于上述两个算法,设计并实现了结合离线推荐与实时推荐的电影推荐网站,在相似度计算方面,通过第四章提出的改进的哈希学习推荐算法缓解了评分信息与用户偏好不对等的问题,使得计算得到的相似度更好地放映用户的偏好进而提高推荐的准确率;对于冷启动等问题,通过本文第三章的改进的时间上下文推荐算法,将添加用户和项目的时间信息来缓解新用户以及新项目的冷启动问题。然后描述了网站的总体结构设计、具体流程的设计、实现的过程、主要的功能网页和推荐效果的展示。本网站加入了实时推荐部分,以便及时地跟踪用户兴趣偏好的变化,提升推荐结果的准确度。

基于协同过滤的个性化推荐算法研究

这是一篇关于时间上下文,协同过滤,置信度,相似度,推荐的论文, 主要内容为互联网与信息技术的飞速发展使得复杂多样的信息充斥着整个网络,这造成了信息过载的问题。因此,利用用户的信息主动向用户推荐可能感兴趣项目的个性化推荐系统被广泛应用在各个方面。如今个性化推荐系统在实际应用中还显得不是很成熟,仍然存在着用户评价数据的稀疏性问题,推荐质量不高以及推荐实时性等问题。个性化推荐系统中的协同过滤推荐算法在用户评分数据非常稀疏的情况下,传统相似度计算方法只考虑用户对项目的评分,缺乏对置信度和兴趣变化的考虑,导致推荐质量不高。针对上述问题,本文具体研究工作和创新点如下:1.提出一种改进的基于用户置信度和时间上下文的协同过滤推荐算法。本文融入用户角色的置信度和评价项目的时间上下文到基于用户的修正余弦相似度计算方法中。首先,将用户的置信度作为动态因子添加到相似度计算中;然后,将用户之间对项目评分的时间之差融入到相似度计算中;最后,通过动态调节影响因子来获取最优的结果。实验结果表明该算法能有效地解决数据稀疏情况下相似性度量方法的不足和提高推荐质量。2.提出一种改进的基于项目置信度的协同过滤推荐算法。传统基于项目相似度的计算方法仅仅计算用户评分相似度,存在相似度计算单一的问题,忽略了项目置信度的影响。本文提出改进的项目置信度包含项目类型之间的相似程度、项目之间共同评分的用户数量的影响以及活跃用户对项目的影响。该算法在基于项目的修正余弦相似度计算方法基础上,将项目置信度融入到项目之间相似度的计算中。实验结果表明,该算法能够显著地提高预测准确率。本文主要对传统推荐算法的相似度计算方法进行改进,融入置信度和兴趣动态变化因素到其中,实验证明本文提出改进的两种算法能够有效地提高预测评分的准确率和改善推荐质量。

基于哈希学习和时间上下文的推荐算法研究

融合时间上下文的图神经网络果蔬商品推荐研究

这是一篇关于时间上下文,图神经网络,果蔬商品,推荐,子图划分的论文, 主要内容为面对各大电商平台数量庞杂、品种多样的果蔬商品,用户往往难以做出选择。推荐系统通过对用户及商品的偏好特征建模,为用户推荐符合其偏好的商品,在一定程度上缓解了信息过载问题。然而现有果蔬商品推荐模型仅仅考虑了用户与果蔬商品的交互,却忽略了交互过程中的时间上下文信息。同时,现有的图神经网络推荐模型在堆叠多层后会出现过平滑问题,影响推荐效果。本文提出一种融合时间上下文的的图神经网络果蔬商品推荐模型。模型将时间上下文信息融入到图注意力机制中,以更好学习节点的特征。同时,模型对用户—果蔬二部图进行子图划分,在子图内学习节点高阶特征,缓解了图神经网络模型堆叠多层后出现过平滑的问题。论文的主要研究内容有:(1)针对传统果蔬商品推荐模型很少考虑时间上下文信息问题,本文提出的果蔬商品推荐模型采用了一种能动态捕捉用户兴趣随时间变化的时间衰减因子,并将其与传统的图注意力机制结合,赋予邻居节点融入时间上下文信息的注意力权重,使得在节点信息传播过程中既能够区分邻居的贡献度,同时还考虑到时间上下文信息的影响。(2)针对传统图神经网络推荐模型堆叠多层后出现过平滑这一问题,本文提出的果蔬商品推荐模型采用一种无监督的子图划分方法,该方法利用用户特征与图结构对偏好相似的用户进行识别,将相似用户划分至同一子图。同时,对于用户直接交互的果蔬商品,由于能够最直观的反映用户偏好,也与其划分至同一子图中,并在子图内部实行高阶传播,避免了噪声干扰,有效缓解了过平滑问题。(3)利用京东电商平台爬取到的真实数据进行实验,将本文提出的果蔬商品推荐模型与其他相关推荐模型进行比较,验证了本文提出的模型在果蔬商品推荐方面具有一定的优势。最后,结合本文所提出的推荐模型,设计并实现了一个融合时间上下文的图神经网络果蔬推荐原型系统。

基于协同过滤的个性化推荐算法研究

基于哈希学习和时间上下文的推荐算法研究

融合时间上下文的图神经网络果蔬商品推荐研究

推荐算法研究及在电商平台中的应用

这是一篇关于推荐算法,协同过滤,相似度,时间上下文的论文, 主要内容为随着科技的发展,计算机应用技术得到深入研究,在具体应用过程中,大数据分析充分融入至电商平台的研究和开发,如何深度挖掘用户的隐形消费偏好成为一项具有重大意义的研究课题。在电商类网站平台的研究中,研究学者以各类商品为基础,并结合协同过滤推荐算法进行了一些研究,在前人研究基础上,本文提出更加完善的协同过滤推荐算法。通过研究发现,此算法的优点是可以实现跨越领域、提高推荐的精确度。同时,在研究过程中发现该算法存在着不足之处,比如,推荐结果的个性化比较弱。通过对物品多于用户且物品时效性较强的这种情景进行实验,在冷启动、数据稀疏性等方面进行了分析,实验结果表明,与传统的协同过滤算法相比,本文所研究的算法融合了时间效应,在个性化推荐以及推荐的准确度方面取得了较大改善。本文主要的研究工作具体描述如下:(1)首先,介绍了推荐算法的相关理论,包括数据挖掘相关基本概念和常用方法等。经过详细分析不同的推荐算法,发现各自的优缺点,然后根据需要改进的地方指出改进要素,将用户对物品兴趣进行加权运用到相似度的计算方法改进中。通过对数据集进行实验对比,发现改进的相似度计算方法其推荐结果的效率有所提高。(2)然后,在相似度的改进过程中,发现影响推荐效果的时间因素常被忽略,因此,针对基于物品的协同过滤推荐算法进行改进。改进策略即为融合时间效应,将时间上下文的概念深入到推荐算法改进中,将季节效应对用户兴趣的获取影响减少,能更好的考虑时间变化的因素,保持推荐结果的准确性。(3)最后,基于相似度和融合时间效应推荐算法的相关改进,本文设计并实现了一个基于时间效应的推荐算法图书应用系统。本系统以Mahout开源推荐项目和Taste推荐引擎为基础,通过时间衰减模型的使用,系统可以根据用户浏览图书的时间长短,来获取浏览时间较长的图书种类。因此,验证了改进后的推荐算法在精确度上有所提高。本文在协同过滤推荐算法的基础上,对相似度计算方法进行了改进,并将时间上下文的时间效应融合到推荐算法中。同时,结合数据挖掘和数据处理等相关知识,将改进后的算法应用到本文搭建的推荐系统中,实现了向用户有效推荐喜好图书的推荐列表。