8篇关于稀疏数据的计算机毕业论文

今天分享的是关于稀疏数据的8篇计算机毕业论文范文, 如果你的论文涉及到稀疏数据等主题,本文能够帮助到你

针对稀疏交互数据的多行为商品推荐系统研究

这是一篇关于稀疏数据,多行为推荐,图网络,层级协同系统的论文, 主要内容为在互联网技术急速发展的现代社会中,用户主要关注如何从大量信息中找到自己感兴趣的部分,而消费平台则需要让自己生产的信息脱颖而出进而受到广大用户的关注。对于电商平台而言,用户的购买行为直接决定其总体收益。为了提升用户留存以及商家入驻数,平台可以通过推荐系统建立用户与信息之间的关联关系,将用户的历史交互数据作为媒介,有策略地让用户主动或被动地选择对自己有价值的商品,从而推动平台的更新迭代以及用户的深度消费。在实际场景中,冷启动与样本数据的稀疏性会对推荐系统的效果产生负面影响。为了解决这个问题,本文的主要工作为:1)依托电商推荐背景,设计并构建了名为增强融合转换图网络即IATG的多行为推荐模型。通过融入用户与商品之间除购买行为外其它类型的行为特征来缓解目标行为数据的稀疏性带来的负面影响,该模型对用户在目标行为模式下的交互商品做出预测,获取推荐列表。同时将IATG与多个基准模型进行对比,并从各方面对模型结构与设计理念的合理性做出了解释。实验结果表明,相较次优基准,IATG在两种评测指标上平均获得了 4.5%的性能提升。2)实现了基于层级协同的多行为商品推荐系统,以IATG为核心,结合各对象元素的原始信息与特征语料,从系统层面设计了线下训练与线上推理环节,并对各级模块进行了性能方面的测试。经过验证,该系统实现了从客户端发起请求到服务端返回商品推荐列表的整体流程,在稀疏交互数据的环境下具有良好的推荐效果与可应用性。

基于稀疏数据的囊胚期胚胎特征识别系统研究与实现

这是一篇关于稀疏数据,囊胚特征识别,计算机视觉,辅助生殖的论文, 主要内容为近年来,辅助生殖技术不断成熟,研究表明囊胚比卵裂期胚胎更加符合妊娠生理,移植一个高质量的囊胚,可以在保证顺利妊娠的同时,有效降低多胎妊娠的可能性,从而避免其并发症威胁母婴健康。因此,精确评估囊胚期胚胎形态学参数尤其重要。本文针对囊胚期胚胎数据稀疏的特点,设计面向数据扩充的图像预处理算法,搭建胚胎主体分割模型和细粒度特征识别模型,完成囊胚期形态学参数特征地快速准确识别,最终实现人性化的可视化特征识别系统。主要研究内容如下:1.研究面向数据增强扩充的图像预处理算法。由于胚胎图像采集和标签制作难度较大,难以提供大规模训练数据集,且能成功形成囊胚的数量更是稀少。本文除对胚胎数据进行传统图形学图像增强,加深图像有效特征之外,更通过在Rand Augment基础上设计针对稀疏囊胚期数据的扩充算法,以扩充并平衡数据集,提高稀疏数据的鲁棒性,防止神经网络模型训练过拟合。2.研究基于双塔融合的胚胎主体分割模型。由于胚胎在图像中只占较小的区域,需预先从原图中分割出胚胎主体,使后续的特征提取工作不受胚胎周围环境的干扰。本文采用以极坐标系建模的主干网络框架,并在此基础上设计构建双塔融合结构,搭建主体分割模型,同时,优化减轻整体网络结构,使其更能够对胚胎主体实施快速且精细化分割,为后续囊胚期首要评估特征的识别提供数据支撑。3.研究基于特征重标定的多任务囊胚期胚胎特征识别模型。在分割出的胚胎主体基础上,本文结合特征注意力模块和高效分类网络Res Next,构建特征重标定的主干网络结构。其中,模型采用自适应权重的多任务损失进行训练,使用Image Net数据集初始化共享的主干网络权重,再将扩充后的数据集单独训练各个特征分类器,加强分类器泛化性和识别能力。在满足识别速度的需求下,有效提升稀疏囊胚期首要评估特征识别精度。4.研究实现基于B/S架构的交互系统。囊胚期胚胎首要评估指标检测模型为本系统的核心功能,在此基础上设计和实现可视化网站,向用户提供直观友好的交互界面,并采用数据库技术持久化存储检测结果,实现与辅助生殖领域的实际临床需求相匹配的可视化系统。同时,本文测试了系统的功能和性能,系统的易用性和完整性得以验证。研究成果在辅助生殖领域具有广阔的应用前景。

基于改进Slope One算法缓解推荐系统中数据稀疏性的研究

这是一篇关于协同过滤推荐,Slope One算法,稀疏数据,电影推荐的论文, 主要内容为伴随着物联网技术的应用和互联网的繁荣发展,人类已经步入了大数据时代。怎样从中获得有价值的资料,推荐系统应运而生。传统的推荐系统通常是根据评分矩阵来判断用户和项目之间的相似性,但是,由于互联网环境中用户和项目的数量远远超过用户已评项目的数量,所以评分矩阵往往是一个稀疏的矩阵。稀疏矩阵一般影响着最后的推荐质量,因此本文对推荐系统中的稀疏数据进行分析,从不同角度给出改善方法,进而提升推荐质量。首先是从填充稀疏矩阵中缺失数据的角度进行研究。使用Slope One算法对用户-项目评分矩阵进行评分预测,针对用户共同项目少的问题,本文提出一种融入项目相似度的加权Slope One算法ACWPCF。通过对比实验,发现该方法与基于用户的协同过滤算法和加权Slope One方法相比,具有更低的RMSE,可以更有效地提升系统的性能。实验表明,邻居集数量在50-60左右时能使均方根误差达到最小值0.90。接着从计算用户之间相似度的角度研究。通过引入信任权重,改进皮尔逊相似度,并综合信息熵,能够在用户共同评价较少的情况下,更精确地计算出用户之间的相似度,从而减少由于共同评价数量过少而导致的计算偏差。综合提出HLsim＿cf算法,该算法相对于传统协同过滤算法和只融入信任权重算法能降低RMSE,在近邻数量为40时,均方根误差达到最小值0.925。近邻数量变多后,混入用户干扰数据,均方根误差在0.93附近波动。最后从机器学习的角度进行研究。选择使用矩阵分解的方式处理稀疏数据,但矩阵分解要求原始的评分矩阵是稠密的,所以对原始评分矩阵用ACWPCF算法进行填充。对填充好的矩阵进行奇异值分解和加入正则项的梯度下降法矩阵分解,在同一数据集上面进行对比实验,得到填充后的正则化矩阵分解有着相对低的误差,能更好地解决数据稀疏性问题,提高推荐效果。

针对稀疏交互数据的多行为商品推荐系统研究

应用改进协同过滤算法的驻村工作单位推荐方法研究

这是一篇关于推荐算法,协同过滤,稀疏数据,XGBoost,LightGBM,驻村工作的论文, 主要内容为随着互联网的高速发展,人们已经身处大数据时代,大数据时代不仅带来了多元的信息丰富了人们的生活,也带来了信息过载的困扰。推荐系统经过发展更新,已经是解决此类问题的重要技术。推荐系统可以服务于人们的生产生活,也可以将推荐系统融入国家战略发展,用科技手段促进发展改善民生。在统筹城乡规划为困难村庄选派驻村工作单位时,往往根据经验开展工作,没有形成科学性、规范化的流程,随着驻村工作的全面展开,经验已经无法满足选派质量和效率的需要,应用推荐算法的相关知识可以解决此类问题。推荐算法在生产生活中的使用非常流行,协同过滤推荐算法以物以类聚人以群分的经典思想,完成了许多个性化推荐的任务,在很多方面有出色表现,但其中仍存在数据稀疏性、忽略用户属性、准确性问题以及冷启动问题等等。针对上述情况,本文提出了一种融合梯度提升决策树的改进协同过滤算法,通过改进协同过滤算法形成了为困难村庄选派驻村工作单位的一套科学方法。本文具体地做了如下工作:首先,本文对协同过滤算法设计改进,第一步解决普遍可见的数据稀疏和不重视用户属性的问题。本文使用稀疏数据集的处理方法,引入困难村庄自身属性特征,并且根据问题需要构造额外特征,作为后续建模的基础。第二步针对困难村庄与驻村工作单位的实际情况,以往选派的驻村工作单位并不都是最优解,构造配适度指标量化困难村庄与驻村工作单位的匹配程度,为配适度设置阈值筛选有效样本,从有效样本中学习科学的经验规律。第三步设计基于相似度和Light GBM算法的评分预测模型。本文通过相似度寻找近邻村庄集合,提取近邻村庄有关特征,与目标村庄的属性特征进行特征重组,将重组后的特征带入Light GBM算法中输出预测评分。然后,将融合梯度提升决策树的改进协同过滤算法应用到为困难村庄选派驻村工作单位的问题上,设置了总体实验和对比实验。总体实验结果表明本文提出的改进协同过滤算法解决为困难村庄选派驻村工作单位的问题是有效可行的。经过对比实验,验证得到改进算法的各个步骤是必不可少的,并且改进算法明显提高了准确性,预测结果RMSE的值可以降到0.57,MAE的值可以降到0.41。

结构增强的知识图谱嵌入表示模型研究

这是一篇关于知识图谱嵌入,知识补全,规则学习,稀疏数据的论文, 主要内容为近年来,知识图谱由于其表达丰富信息的能力及其在基于知识的推理中的潜力而受到了广泛的关注。例如,它们可以协助(与移动服务中的用户关联,切换策略和流量内容)相关的深入知识发现。知识图谱嵌入可以将知识图谱中的实体和关系投影到密集且低维的向量中,并通过这种方式有效地测量复杂的语义信息以及这些实体之间的关系。但是,传统的知识图谱嵌入方法仅考虑知识图谱中的直接事实,在面对稀疏数据时,很难实现对实体和关系的合理嵌入学习。为了解决这个问题,提出了一种基于张量分解和规则学习结合的知识图谱嵌入表示模型,该模型可以迭代执行嵌入学习和规则学习,以不断生成三元组形式的新事实,从而在基于知识的推理中实现更好的性能。首先,模型在原始知识三元组上进行嵌入学习。然后,推断出规则,并在这些规则的基础上生成新的事实三元组,并将其迭代地嵌入到模型中。此外,还提出了一种交替执行知识图谱嵌入学习和规则学习的迭代策略,以不断生成新的事实三元组并获得更好的知识图谱嵌入性能。首先,模型使用来自给定数据集的原始三元组作为输入,并执行嵌入学习以获得实体和关系的嵌入。然后,模型对规则进行推断和评分,根据得分较高的规则生成新的有关稀疏实体的事实三元组,然后迭代嵌入新生成的三元组。为了验证所提出模型具有更好的性能,实验部分在几个基于WN18和FB15k产生的数据集上,将所提出的模型与其余五个具有代表性的知识图谱嵌入表示模型进行对比实验。实验结果表明,相比于其他几种模型,所提出的模型在链接预测方面有着更好的表现,并且在面对稀疏数据时比其他几种最新的知识图谱嵌入表示模型具有明显更好的性能。