6篇关于社交信息的计算机毕业论文

今天分享的是关于社交信息的6篇计算机毕业论文范文, 如果你的论文涉及到社交信息等主题,本文能够帮助到你

基于社交信息和上下文感知的戏剧活动推荐系统设计与实现

这是一篇关于聚类,社交信息,上下文感知,动态偏好,推荐系统的论文, 主要内容为随着社交网络的蓬勃发展,同城活动推荐系统已成为推荐系统研究的热点之一。目前,大多数戏剧活动推荐算法通过分析用户与其参与过的戏剧活动之间的单一交互关系和用户相似性等角度出发,忽略了戏剧活动数据稀疏导致的冷启动、用户与社交关系和戏剧活动上下文之间的相互影响以及用户的偏好变化等问题。为了解决上述问题,本文设计了一种基于社交信息和上下文感知的戏剧活动推荐系统,本系统通过利用多种改进的推荐算法,分析用户参与戏剧活动的历史行为数据和实时行为信息,从而为用户进行实时动态地推荐。本文的主要内容如下:(1)为了解决戏剧活动推荐中冷启动和原始数据稀疏的问题。提出了基于上下文感知聚类的混合戏剧活动推荐模型。该模型通过融合聚类算法和时空上下文感知网络,利用稀疏的数据信息挖掘出用户真正的偏好,为其进行个性化的Top-N戏剧活动推荐。在Douban和Meetup的数据集上进行了相关实验,证实了该模型在一定程度上可以缓解冷启动问题。(2)为了充分利用用户的社交信息,提高戏剧活动推荐系统的推荐性能。提出了一种基于社交信息的多元交互关系戏剧活动推荐模型。该模型将用户参与的每条戏剧活动的历史记录和用户的关注关系作为输入,充分挖掘用户、社交信息和戏剧活动上下文之间的多元交互关系,构建出用户-特征的偏好矩阵,学习得出用户对戏剧活动的偏好得分,为用户进行个性化的Top-N戏剧活动推荐。实验表明,所提模型在精确率和NDCG等推荐指标上都有一定的提升,提高戏剧活动的推荐性能。(3)为了捕捉用户对戏剧活动的动态偏好,进一步提升推荐效果。提出了基于用户动态偏好的序列化戏剧活动推荐模型。该模型将戏剧活动的时间序列嵌入到注意力机制中,为各个戏剧活动分配不同的偏好值,通过建模用户的短期偏好以及用户的长期偏好来学习个性化的Top-N戏剧活动推荐。最终在真实的数据集上进行了实验,证明了所提模型在AUC和精确率等推荐指标上都有一定的提升。(4)为了将前三个研究点的研究进行综合,本文设计并实现了一个戏剧活动推荐系统,该系统可以在缓解数据稀疏问题的同时为用户提供动态的个性化的戏剧活动推荐服务,提高推荐精确率,满足用户多方面的需求。系统的客户端使用了 ReactNative框架搭建,JavaScript编写,并对各个功能进行了测试。

融入社交好奇心的推荐算法研究

这是一篇关于推荐系统,好奇心,社交信息,好奇心匹配,融合刺激的论文, 主要内容为推荐系统的作用是从海量项目中发现用户感兴趣的部分。但传统推荐算法推荐结果同质化严重,因此研究人员通过将好奇心与用户偏好融合,为用户推荐新颖多样的项目。现阶段融入好奇心的推荐算法依然存在用户好奇心与社交环境隔离、好奇心不匹配、影响因素单一等问题。针对这些问题,本文从社交好奇心度量、好奇心匹配、多影响因素融合三方面提出解决方法,具体研究如下。首先,介绍协同过滤推荐算法的研究现状,对协同过滤推荐算法存在的问题进行总结,回顾国内外研究人员对这些问题做出的改进研究,并对融入好奇心的推荐算法进行详细介绍。其次,针对好奇心与社交环境隔离、好奇心不匹配问题。从社交行为的角度,量化用户朋友的惊喜行为、不确定行为对用户好奇心产生的刺激。利用惊喜关联度将惊喜刺激与用户好奇心做匹配,根据冯特曲线和中间唤醒理论构建基于不确定性的好奇心唤醒模型,解决好奇心不匹配问题。通过分别融合惊喜与用户偏好、不确定性与用户偏好来更好地构建融入单一社交好奇心影响因素的推荐模型。再次,针对好奇心影响因素单一问题,通过评估用户对不同影响因素的接受能力,对多种影响因素进行自适应权重融合,以期获得更符合用户兴趣的推荐结果。最后,本文在真实数据集上进行验证。通过准确率、覆盖率以及多样性三个评价指标对实验结果进行分析,提出的算法有效的解决了好奇心不匹配等问题,提高了推荐的准确率。

基于社交行为的用户品牌偏好挖掘算法研究

这是一篇关于兴趣预测,跨域推荐,社交信息,时序行为,排序学习的论文, 主要内容为互联网的到来促进了信息的爆炸性增长,人们从海量信息中定位自己感兴趣的信息变得越来越困难,“信息过载”现象严重。个性化推荐技术通过挖掘海量数据获取用户的偏好,并根据用户的偏好为其推荐相应的内容,有效解决信息过载问题。然而,个性化推荐技术仍然面临着数据稀疏性、用户冷启动等挑战。社交网站为挖掘用户兴趣提供了额外的信息来源,不少研究通过跨域引入用户社交信息的方式解决传统个性化推荐面临的相关问题。然而,大多数研究只考虑了引入用户的个人信息和社交关系信息,却很少考虑到引入同样包含用户兴趣的社交行为信息。同时,跨域引入社交行为信息存在三个方面的挑战:1)社交域和电商域的数据通常来自不同的网站,需要找到领域间的重叠用户,并通过这些用户对齐不同领域的信息。2)不同领域数据的形式不同,从不同领域构建的特征既要能够输入到同一推荐模型中,也要保证原有数据中的信息完整性。3)社交行为和购物行为发生的时间是不同步的,引入时序信息时行为不同步会对挖掘用户时序兴趣产生一定的干扰。为了应对这些挑战,本文提出了一种跨域时序偏好挖掘算法,有效引入时序社交行为信息,缓解用户冷启动、用户兴趣变化等问题,主要贡献如下:1、提出了一种跨域时序偏好挖掘算法。首先改进矩阵分解技术提出了跨域偏好预测模型,构建社交行为特征与商品购买偏好之间的跨域映射关系。然后从时间维度上假设用户在不同时间段的兴趣不同,根据社交、购物行为发生的时间将这些行为划分到不同的时间段内并构建相应的时序特征。最后提出跨域时序偏好预测模型,从用户的时序社交行为中挖掘用户的时序购买偏好,推荐用户感兴趣的商品,解决用户冷启动、用户兴趣变化等问题。2、通过微博开源API获取用户的微博数据,从国内大型电商平台获取用户的购买数据,通过重叠用户连接不同领域的数据构造真实环境下的跨域数据集。然后在该数据集上进行了实验,验证所提出的模型的有效性。3、基于上述提出的跨域时序偏好挖掘算法,进一步提出了一个用于线上环境的基于跨域偏好挖掘的潜在客户挖掘与推荐系统构建方案。该系统方案能够根据用户的社交信息有效解决通过社交账号登录的新用户的偏好预测与推荐问题,同时根据用户社交信息的变化及时更新预测结果,为系统的精准推荐提供保障。本研究验证了所提出的跨域引入用户社交文本行为能够有效提升推荐效果的假设,同时也验证了所提出的跨域时序偏好挖掘算法能够较好的解决用户冷启动、用户兴趣变化等问题,有效提高推荐系统的推荐质量。

融合注意力机制的图神经网络推荐算法研究

这是一篇关于图神经网络,注意力机制,门控循环单元,社交信息,推荐系统的论文, 主要内容为随着网上信息量的急剧增加,信息过载问题成为了制约网络发展的一个重要因素。推荐系统作为解决该问题的有效方法,得到了工业界和学术界越来越多地关注和研究。图作为一种重要的数据结构,可以表示一组对象之间的复杂关系。而推荐系统中的大部分数据本质上具有图结构,将图神经网络应用于推荐系统,可以更有效的从各种数据中了解用户的偏好和需求。因此基于图神经网络的推荐系统成为推荐系统领域的一个重要研究方向。本文提出了两种基于图神经网络的推荐算法:融合多头注意力机制的图神经网络算法MGRU和长短期偏好融合的图神经网络算法GNNLSR。在图神经网络推荐系统中,用户的兴趣爱好受到自身的历史行为、社交网络等多方面影响,呈现出一种动态变化的趋势。而如何在推荐系统中结合用户的社交网络信息以及时序兴趣提取有效信息,是一个棘手的问题。针对上述问题,MGRU算法利用门控循环单元有选择的记忆与遗忘节点的时序信息,增强图神经网络在节点迭代时的抽象能力。再利用注意力记忆网络获得朋友在不同方面对用户的影响,依靠多头注意力机制来调节朋友影响力的大小。在Ciao与Epionions数据集上使用均方根误差和平均绝对误差作为评价指标进行实验,结果证明该算法提升了推荐系统的准确率。目前基于图神经网络的推荐方法中,很多学者将用户和项目的交互信息构建成图,然后通过聚合和更新图上的节点得到用户和项目的嵌入表示。但目前大部分基于图神经网络的模型通常仅考虑用户生成的短期偏好和长期偏好的某一个方面。用户偏好的本质是由短期偏好和长期偏好共同作用而来的,长期偏好记录了一个用户的长期习惯,而短期偏好则是随着时间的推移产生的新兴趣。因此本文提出了一种融合长短期偏好的图神经网络算法GNNLSR。此外,本算法中还融合了项目的特征提取,使得该模型在捕获用户长短期偏好的基础上,结合项目特征产生更好的推荐结果。

基于社交网络挖掘的个性化推荐算法研究

这是一篇关于矩阵分解,社交信息,最近邻,信任传递,推荐系统的论文, 主要内容为随着科学技术的发展和信息时代的来临,信息呈现爆炸式的增长,海量的信息使得人们无法快速地在大量数据中找到有价值的信息,导致信息过载现象产生。而推荐系统应运而生,它能够根据用户的信息和历史行为记录为用户提供推荐,能够对用户未评分的商品进行评分预测。传统的个性化推荐算法面临数据稀疏性等问题,而通过社交信息可以很好地缓解数据稀疏性问题,同时网站的社交板块和各类社交网站的兴起也使利用社交信息进行推荐成为可能。本文主要研究如何通过深入挖掘用户之间的社交关系,更准确地刻画用户的兴趣爱好,提高推荐系统性能。本文首先介绍了传统推荐算法理论和方法,其次介绍了当前研究所面临的问题和挑战,以及当前一些基于社交的推荐的研究成果,然后提出了一种基于双正则项的矩阵分解算法,通过在矩阵分解的基础上加入两个正则项,分别为社交正则项和最近邻正则项,在矩阵分解的过程中施加约束,两个正则项分别约束用户的潜在特征向量和其社交好友和最近邻的潜在特征向量相似。然后利用社交信息和信任传递关系,提出了一种基于社交好友和信任传递的个性化推荐算法,把能够为用户出谋划策的人群称为用户的顾问团队,通过顾问团队的信任传递,实现了用户之间关系的传递。最后通过多个数据集验证所提出的算法的性能,实验结果表明,所提算法在预测评分准确性上优于其他算法,有效提高推荐性能,而且能够为评分数量较少的新用户提供更加准确的推荐。