5篇关于时效性的计算机毕业论文

今天分享的是关于时效性的5篇计算机毕业论文范文, 如果你的论文涉及到时效性等主题,本文能够帮助到你

融合时效性与多样性的协同过滤推荐方法研究

这是一篇关于时效性,多样性,个性化推荐,协同过滤算法的论文, 主要内容为随着时代进步,信息技术和互联网的快速发展,极大地方便了人们的工作和生活,网络中的海量信息可以满足用户的不同需求,但是信息检索中大量的冗余数据也会造成信息过载问题。如何在网络的海量信息中找到用户需要的数据并精准地推荐是目前面临的主要问题。由于推荐系统可以从大量数据中过滤出用户所需的有效的信息,被广泛应用于许多电子商务平台中。传统的推荐算法主要包括基于用户的和基于项目的推荐,协同过滤推荐作为一种经典的推荐算法,通过系统中用户或项目的特征数据以及交互时用户的行为数据发掘相似的用户或项目,进而预测目标用户对潜在项目的偏好,建立推荐。其中,基于用户的推荐在多样性方面的效果要优于基于项目的推荐算法,应用更加广泛。但目前的推荐方法仍然面临诸如推荐效率低、矩阵稀疏、信息茧房等问题,目前学者多从算法推荐精度、数据稀疏性、冷启动等角度进行算法研究和改进,而推荐结果的时效与多样性很大程度上也会影响推荐系统用户满意度。因此本文以传统的CF算法为基础,研究电影领域用户观影行为的多样性与时效性对用户相似性的影响,解决传统算法中推荐精度不足和多样性不够的问题。本文的主要研究内容如下:(1)本文针对传统推荐算法推荐效率低、推荐列表不能很好满足用户多样性需求的问题,提出融合时效性与多样性的协同过滤推荐算法。算法首先利用用户的观影时间和类型计算时效性与多样性指数,根据用户—评分矩阵计算用户间余弦相似性,进而对相似用户聚类,对同一簇内的用户按照时效性与多样性的相似性进行筛选,找到最终的邻居用户,从邻居用户的观影记录中找到评分较高的影片推荐给目标用户。实验证明,本文提出的推荐算法可以更好地分析用户偏好,推荐结果更符合用户的需求。(2)为了进一步优化该推荐算法,本文通过不同实验,对比分析了多样性与时效性对用户偏好的影响程度、计算用户相似性的不同方法对推荐质量的影响。实验结果表明,本文提出的算法可以很好地对用户进行相似性分析,在一定程度上解决了系统推荐精度和多样性的问题。本文研究的创新点在于参考生物多样性的计算方法分析用户观影类型的多样性,并且在协同过滤的基础上,将多样性与时效性作为筛选相似用户的指标,进而确定推荐的项目列表。实验表明,本文提出的融合时效性与多样性的协同过滤推荐算法能够提高推荐质量、更好地为用户提供个性化推荐服务。

基于时效标签与内容特征的服务推荐方法研究

这是一篇关于特征抽取,知识图谱,协同过滤,时效性,词距离的论文, 主要内容为当今世界正处于移动互联网时代,各种移动互联网技术日新月异,也促使了智能手机及其相关领域的高速发展,移动应用(Mobile Application,MA)领域是其中最为蓬勃繁荣的一部分。截止至2020年7月,仅仅我国的上架移动应用就超过了357万款,用户数量超过了8.3亿。在如此庞大的市场和用户规模面前,想要精准地为用户推荐适合的移动应用是很困难的。首先,针对移动应用的推荐大部分是基于用户对移动应用的历史评分,然而在现实情况下,很大一部分用户的历史评分项目有限,由此情况导致推荐系统在向该用户推荐其他种类移动应用时很困难;其次,最新出现的移动应用会因缺乏大量用户历史行为数据,而无法有效地被推荐。本文针对以上新应用历史数据及评分数据稀疏问题和项目冷启动的问题对推荐系统进行了改进,主要介绍了三个方面的研究内容:基于内容特征抽取的混合推荐方法、融合知识图谱的推荐方法、基于时效标签与内容特征的服务推荐方法。具体研究内容如下:(1)本文提出了一种基于内容特征抽取的混合推荐方法来解决传统协同过滤算法难以应对的物品冷启动问题。该方法首先通过分词、词性标注、依存句法分析等NLP技术提取服务内容特征,提升了描述物品属性的准确性和计算物品相似度方法的合理性。然后利用Bert模型对内容特征文本进行向量化,并采用改进的加权词距离TFIDF-WMD算法计算移动应用服务的相似度,最后结合基于物品的协同过滤推荐算法完成推荐。该方法使冷启动问题得到了缓解,推荐精度也得到了显著提高。(2)针对推荐方法中,基于内容推荐方法往往只能对相似种类的项目进行推荐的局限性问题,本文在完成研究内容(1)的基础上,提出了一种融合知识图谱的推荐算法。根据现有的项目特征,结合知识图谱的网络结构关联所有的项目特征,融合并补全知识图谱以避免数据稀疏的问题。将基于项目向量的相似度与基于知识图谱的项目相似度进行融合,由此能更充分利用项目本身的信息,提高了推荐结果的可解释性。(3)针对用户对项目评分数据稀疏的问题与评分时效性的问题,提出了一种考虑时间因素的标签聚类推荐算法。该方法首先利用考虑评分时效性与标签时效性,同时又考虑了用户评分惯性因素,最终得出时间加权的相似度;其次,将项目标签库中的标签进行聚类。最后,基于标签聚类结果预测同聚类下待评分项目的评分,并通过实验证明了该方法在解决数据稀疏性问题上的有效性。根据实验结果可以看出,本文所提出的基于时效标签与内容特征的服务推荐方法,解决了传统协同过滤推荐方法中存在的问题,并能为新用户推荐有用的项目,综合提高了推荐的准确性。

一个面向论坛用户的个性化阅读推荐系统研究与实现

这是一篇关于推荐系统,个性化阅读,时效性,群组推荐的论文, 主要内容为随着互联网技术的发展,信息呈爆炸式增长,信息过载的问题日益明显。上世纪90年代,推荐系统的出现有效地帮助人们从浩如烟海的信息中提取有用的部分。如今在各个领域,随处可见推荐系统的踪影,如电子商务领域的Amazon,电影点评领域的Netflix,音乐领域的豆瓣[10]等,推荐系统通过收集和分析用户的行为数据,对用户或物品建模,从而智能地为用户做推荐。然而论坛和新闻类基于文本的推荐系统却很少涉及,有限的几个文章推荐系统如美味爱读[23],无觅阅读[26]等都不是针对新闻等有时效性的内容,并且没有考虑用户之间的关系,另一方面,尽管Facebook等社交平台吸引了大量用户,但论坛仍然是人们沟通交流的重要平台之一,其中包括技术类如Linux社区和生活类如校园BBS等。本文就是针对论坛类文章提出了一个个性化阅读的解决方案,主要工作和贡献如下：1.提出了论坛类文章个性化阅读推荐框架,我们从文章主题分类,相似文章合并,用户兴趣建模,用户关系挖掘和文章热度值变化等多个方面建模,综合了基于内容和基于社会化信息的多个因素。2.提出了一种新的文章热度值计算模型,有效刻画了文章热度随时间的变化过程。3.提出了一个面向群组的推荐算法,通过综合群组内成员的兴趣分布来建立一个虚拟用户,从而将问题转化为单用户推荐。4.针对南京大学小百合论坛[19]实现了一个原型系统,通过实现协同过滤的增量式并行算法提高了系统的可扩展性,另一方面使用了HTML5和Cache等技术保证了系统的效率。

基于协同过滤算法的学习资源推荐系统研究与实现

这是一篇关于推荐系统,协同过滤,学习资源推荐,时效性,组推荐的论文, 主要内容为随着互联网相关领域的快速发展,网络学习资源的数量也每年以指数级增长,学习者在面对海量网络学习资源时,存在“信息过载”等问题,而推荐系统致力于为用户提供准确的、个性化的信息资源。当前,关于推荐系统的研究,大多是基于协同过滤的研究,但是大部分的研究在用户-资源评分数据稀疏时,推荐准确性不高,且存在不能及时反映用户的兴趣变化等问题。为此,本文开展了以下工作:(1)针对推荐系统在用户-资源评分数据稀疏时,准确率低的问题,本文通过将项目属性和用户评分进行融合的计算相似性的方法,提高协同过滤推荐算法中用户相似度计算的准确性。(2)针对人的兴趣会随着时间不断变化这一特征,本文使用基于艾宾浩斯遗忘模型,通过遗忘函数对历史评分数据进行降权处理,来刻画协同过滤推荐算法中用户兴趣变化。(3)通过组推荐技术,让教师参与到学习资源的推荐中,实现学习资源群组推荐,使得学习资源的推荐更人性化。(4)本文基于改进的协同过滤推荐算法,研究出个性化的学习资源推荐策略,并构建学习资源推荐系统原型,通过云南“和校园”平台数据的测试及应用,对原型系统的有效性进行验证。最终,本文将构建的学习资源推荐系统,应用于云南“和校园”平台的学习资源推荐功能模块中,给K12阶段的学习者推荐个性化的学习资源,以满足云南“和校园”平台用户对学习资源的个性化需求。