某高校实验室建设辅助分析系统设计与实现
这是一篇关于实验室建设,项目相似度,分布式,ElasticSearch,BM25的论文, 主要内容为高校实验室是培养学生实践能力与综合素质的主要场所,是高校教学资源配置体系中的一个重要组成部分。随着学科与专业的发展,高校实验室规模与数量不断增加,实验室建设质量和水平成为关注重点。实验室建设分为多个步骤,而实验室立项是其中的第一步,是后期建设的基础。在立项阶段,由于缺乏全校整体数据和历史建设数据支持以及直观参照对比,评审专家往往依靠个人经验,在评审决策时可能未能及时发现重复建设、超前建设、设备重复购买等问题,造成实验室建设缺乏宏观规划,方案系统性和综合性不够。本文重点针对实验室立项环节,以某高校为例,采用三层架构模式,以spring、spring MVC、mybatis为框架,构建了基于B/S的实验室建设辅助分析系统,通过Elasticsearch倒排索引技术建立分布式样本库,整合IK分词器、Ingest-Attashment、LogStash等技术实现项目申请书与项目元数据导入与分词,采用BM25算法计算项目相似度,为专家决策提供辅助。测试表明系统运行稳定,达到用户基本业务需求。
基于知识图谱与迁移学习的施工项目知识转移模型研究
这是一篇关于施工项目,知识转移,知识图谱,项目相似度,迁移学习的论文, 主要内容为随着时代的发展,知识已经成为重要的战略资源,有效识别知识并对其进行高效管理在企业中十分重要。通过高效的项目知识管理,不仅能有效提高施工企业的技术、管理水平和竞争力,还能实现施工企业可持续发展的管理模式,因此,施工企业亟需开展项目知识管理方法与工具的研究。本文基于知识图谱与迁移学习技术开展施工项目领域知识转移模型的研究,有利于实现施工项目的数据规范化、经验结构化、知识互通化,可以将分散的数据资源转化为可以互利互惠的知识共同体,为项目施工管理提供系统、扎实的知识储备,从而推动施工企业知识管理的高效发展。为了从施工项目知识中发掘出知识与知识间的关系,并进一步发掘出项目与项目之间的关系,让项目知识在施工过程中发挥更大的作用,本文开展了如下工作:首先,本文调查总结了国内外关于施工项目知识管理、知识转移、知识图谱、迁移学习等方面的研究,并提出了研究的技术路线。然后,本文以施工项目知识为研究对象,提出了一种施工项目领域知识图谱的构建框架。利用知识图谱技术改进现在的施工项目知识收集、表示与存储方法,并利用图数据库实现知识检索与图谱可视化。通过施工项目知识图谱,施工项目知识能够被计算机认知和理解,项目知识之间的关系能够被自动挖掘,知识转移的过程得以简化,知识转移的效率和质量得到提高。接下来,本文基于施工项目领域知识图谱,结合施工数据分布距离与施工项目背景知识,搭建了一种施工项目相似度算法(PBG-MMD),并验证了该方法的可行性。实验结果表明,该算法可用于指导知识迁移源域的选择。最后,基于迁移学习算法,本文设计了一种新的基于领域背景自动选择迁移源域的迁移学习方法,通过实际案例数据验证,成功实现了施工项目的知识转移。该方法为迁移学习中“what to transfer”的问题提供一种有效的解决办法,同时为知识转移“how to transfer”提供一种有效的转移途径,搭建了迁移学习和知识转移这两个不同概念之间相互应用的桥梁。综上所述,本文通过施工项目知识图谱来实现从施工项目数据到知识的转化,完成施工项目知识的存储和应用。利用迁移学习技术构建了施工项目的知识转移模型,并以盾构项目施工数据为例进行了实例应用,提供了施工项目间知识转移和知识共享的新途径。
基于知识图谱与迁移学习的施工项目知识转移模型研究
这是一篇关于施工项目,知识转移,知识图谱,项目相似度,迁移学习的论文, 主要内容为随着时代的发展,知识已经成为重要的战略资源,有效识别知识并对其进行高效管理在企业中十分重要。通过高效的项目知识管理,不仅能有效提高施工企业的技术、管理水平和竞争力,还能实现施工企业可持续发展的管理模式,因此,施工企业亟需开展项目知识管理方法与工具的研究。本文基于知识图谱与迁移学习技术开展施工项目领域知识转移模型的研究,有利于实现施工项目的数据规范化、经验结构化、知识互通化,可以将分散的数据资源转化为可以互利互惠的知识共同体,为项目施工管理提供系统、扎实的知识储备,从而推动施工企业知识管理的高效发展。为了从施工项目知识中发掘出知识与知识间的关系,并进一步发掘出项目与项目之间的关系,让项目知识在施工过程中发挥更大的作用,本文开展了如下工作:首先,本文调查总结了国内外关于施工项目知识管理、知识转移、知识图谱、迁移学习等方面的研究,并提出了研究的技术路线。然后,本文以施工项目知识为研究对象,提出了一种施工项目领域知识图谱的构建框架。利用知识图谱技术改进现在的施工项目知识收集、表示与存储方法,并利用图数据库实现知识检索与图谱可视化。通过施工项目知识图谱,施工项目知识能够被计算机认知和理解,项目知识之间的关系能够被自动挖掘,知识转移的过程得以简化,知识转移的效率和质量得到提高。接下来,本文基于施工项目领域知识图谱,结合施工数据分布距离与施工项目背景知识,搭建了一种施工项目相似度算法(PBG-MMD),并验证了该方法的可行性。实验结果表明,该算法可用于指导知识迁移源域的选择。最后,基于迁移学习算法,本文设计了一种新的基于领域背景自动选择迁移源域的迁移学习方法,通过实际案例数据验证,成功实现了施工项目的知识转移。该方法为迁移学习中“what to transfer”的问题提供一种有效的解决办法,同时为知识转移“how to transfer”提供一种有效的转移途径,搭建了迁移学习和知识转移这两个不同概念之间相互应用的桥梁。综上所述,本文通过施工项目知识图谱来实现从施工项目数据到知识的转化,完成施工项目知识的存储和应用。利用迁移学习技术构建了施工项目的知识转移模型,并以盾构项目施工数据为例进行了实例应用,提供了施工项目间知识转移和知识共享的新途径。
基于共享评级迁移的跨域推荐算法
这是一篇关于跨域推荐,项目相似度,模拟退火,遗传算法,共享评级的论文, 主要内容为随着云计算、互联网、web2.0技术、电子商务等的急速发展使得网上信息资源呈指数式增长,导致的“信息过载”问题越来越严重。用户很难从海量信息中快速寻找到满足自己个性化的需求,企业面临的困扰是用户对提供的推荐服务是否满意。推荐系统常从用户、商品以及用户评分信息等方面挖掘内在关联,从而为用户和商品建立关联,为用户提供感兴趣的商品推荐列表。虽然传统的推荐系统在一定程度上缓解了“信息过载”问题,数据稀疏和用户冷启动是推荐系统亟待解决的问题。传统推荐算法仅利用单个领域的评分信息进行推荐是不足的。在这种情况下,跨域推荐应运而生,其作用是挖掘多个领域的用户与物品的交互信息并构建合适的模型来完善推荐效果。在当今的移动互联网大时代下,不同行业和领域之间的信息都可以实现共享或者互补,跨域推荐也为解决冷启动问题提供了一种可能。为进一步提高跨域推荐结果的精准度,提高不同领域信息资源的综合利用率,本文提出了基于项目相似度迁移的跨域推荐模型和基于共享评级融合的跨域推荐模型。具体的工作内容如下:(1)本文首先针对项目重叠的场景,对辅助和目标领域的项目进行分析,从项目角度出发,提出一种基于项目相似度迁移的跨域推荐模型(Item similarity Transfer,ISim T)。本文将项目在辅助领域中的相似度扩充到目标领域。首先,利用矩阵分解模型对用户和项目潜在特征进行训练,利用得到最优用户和项目潜在特征矩阵的内积来填充辅助领域缺失的数据集,并计算辅助领域的项目相似度;然后,利用流行度惩罚因子改进的pearson相关系数法,对目标领域项目相似度进行计算;最终,融合辅助领域和目标领域的项目相似度,为用户进行推荐。通过迁移重叠项目的相似度,有效地避免了负迁移的影响,提升了推荐性能。(2)针对领域间没有重叠信息的场景,本文提出一种基于共享评级融合的跨域推荐模型SRFCD(Shared Ratings Fusion Cross-domain Recommendation)。首先通过将各个领域评分矩阵进行分解,通过构造实际评分与预测评分误差的目标函数,利用随机梯度下降法训练用户/项目的特征矩阵,使特征矩阵能够很好地表示用户/项目的潜在特征;然后利用基于模拟退火和遗传算法优化的k-means算法对用户和项目分别进行聚类,将用户类别和项目类别的内积作为共享评级。最终迁移共享评级至目标领域,并融合目标领域特定评级进行评分预测,在一定程度上避免了负迁移,并提高了推荐结果的准确性。(3)为了验证所提算法的有效性,本文选取推荐系统数据集进行实验,结果表明本文提出的算法与基线方法相比,降低了RMSE,提高了准确率、召回率和F1值。
基于多领域语义融合的推荐系统的研究与实现
这是一篇关于推荐系统,跨领域,语义分析,项目相似度,协同过滤的论文, 主要内容为随着互联网与信息技术的飞速发展,电子商务系统规模的扩大造成信息过载问题日趋严重,个性化推荐系统成为解决这一问题的关键技术。在过去的研究中,基于单一领域的协同过滤技术成为当今推荐系统中应用最为广泛的技术,但该技术存在着两个亟待解决的问题,也就是数据稀疏问题与冷启动问题。为了解决这两大问题,跨领域推荐技术成为目前推荐领域的一大热门话题。该技术利用用户在其他领域中的相关行为信息,对用户在目标领域的偏好进行预测,提高推荐的多样性,同时弥补了数据缺失造成的推荐效果较差的问题。然而现有的算法仍存在着较多的问题,如只能完成跨单一领域的推荐、推荐结果无法满足用户个性化需求、推荐算法复杂度较高,存在性能问题等。基于以上问题,本文利用自然语言处理领域的语义分析知识,结合聚类方法与推荐领域中应用最为广泛的协同过滤技术提出一种基于多领域语义融合的推荐系统,主要研究工作与取得的成果如下:(1)提出一种基于语义分析的相似度度量模型。该模型旨在利用语义分析方法,计算两个领域标签的相似度矩阵,通过项目标签的跨领域迁移计算两个领域中各项目之间的相似度。该方法利用项目标签语义相似度得到两个领域间项目的相似度。较现有跨领域项目相似度计算模型,本文提出的相似度度量方法可解释性更高,适用领域范围更广。实验表明本方法可以得到准确度更高的项目相似度结果。(2)提出基于多领域聚类的协同过滤模型。考虑到基于相似度度量模型的推荐方法计算性能较差且难以满足用户的个性化需求,基于多领域聚类的协同过滤模型利用项目聚类的方法查询项目最近邻,提高运算性能,结合协同过滤算法的优势,加入对长尾分布的处理,对用户相似度算法加以改进,满足用户的个性化需求,同时,考虑到领域相关度,加入权重处理算法,更有效的对多个领域数据进行融合。本方法与传统的跨领域推荐算法相比有着更好的推荐效果,同时节约时间开销、空间开销。(3)设计实现基于多领域语义融合的推荐系统。利用传统的单一领域推荐算法与基于多领域语义融合的推荐算法相结合,为涉及多领域数据的平台提供一个完整的推荐系统,该系统能够统计用户收藏、用户评分等个人行为数据,也可以根据用户数据得到两种算法的推荐结果。该系统可以充分满足用户的个性化需求,不仅可以得到传统推荐算法更为成熟准确的推荐结果,同时可以利用多领域数据进行跨领域推荐,缓解传统推荐算法中的冷启动问题与数据稀疏问题。
基于信任关系的社交网络推荐算法研究
这是一篇关于推荐系统,社交网络,信任关系,用户相似度,项目相似度的论文, 主要内容为近年来,随着互联网行业飞速的发展,人类已经逐步进入了大数据时代,但与此同时,由于信息的数据量呈现爆炸式的增长,“信息过载”已经成为业内重点关注的问题之一。推荐系统作为一种解决“信息过载”问题的技术在互联网中得到了广泛的应用。当前推荐算法的研究取得了一定的进展,众多学者纷纷提出融合用户信任信息的推荐算法,但算法的推荐性能仍有可提升空间。通过结合用户信任度和社会特征等,会使推荐性能得到较好地提升。本文主要研究工作如下:(1)针对社交网络中数据集稀疏性问题,以及用户间具有不同兴趣偏好的特点,本文提出了一种融合用户信任关系簇与用户社会特征的推荐算法(Recommend System with Trust Cluster and User Characterized Social Regularization,简称RSTU算法)。在算法中,通过对同一受信者有信任关系的用户簇特征向量作为受信者特征向量的方法,计算簇中用户与受信者的相似度,使其能够降低用户之间信任关系的稀疏度;针对用户簇中存在用户数量少而不能很好表示受信者特征的问题,利用用户与其对应信任用户簇之间的相似度计算最小距离,提升用户簇可解释性;再根据用户在不同项目中表现出不同兴趣偏好的特性,来计算在同一评分项目中不同用户潜在特征之间的相似度,结合用户社会特征并给出新的约束参数,以此减少用户兴趣偏好对推荐效果的影响。最后使用Epinions社交网络数据集将本算法与三种传统算法PMF、So Reg和SVD++进行了对比分析,实验结果显示RSTU算法相较其他算法,在算法性能评测指标RMSE上表现最优,证明了算法在评分预测精确度的性能上得到提升,较好地解决数据集稀疏性问题,提高了推荐效果。(2)针对基于社交网络的推荐方法大多利用了用户之间的信任关系,而忽略了项目之间相似度信息对用户兴趣影响的问题,本章提出了结合用户信任关系和项目间相似度的推荐算法(Recommend System with Trust Relation and Item Similarity,简称RSTI算法)。在算法构造中,首先利用用户熵和改进的Jaccard相似度进行结合得到用户综合相似度,再通过具有共同评分用户项目间的项目局部相似度和全局相似度来共同构成项目综合相似度。将用户综合相似度和项目综合相似度再进一步结合,以此进行推荐,其目的是解决数据稀疏性以及用户冷启动问题,提高评分预测精度。最后利用公开数据集Ciao对RSTI算法与三种传统推荐算法PMF、So Rec和Trust SVD进行对比验证。实验结果显示在评分预测度和用户冷启动问题上,RSTI算法在算法性能评测指标RMSE中表现均较其他算法更优。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://bishedaima.com/lunwen/50468.html
