给大家推荐5篇关于RNN的计算机专业论文

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

基于时间序列的生成对抗网络个性化推荐

这是一篇关于推荐算法,深度学习,GAN,CNN,RNN,相似度的论文, 主要内容为随着科技的发展,科技产品的普及,以及大数据时代的到来等跨时代的变化,人们所能使用的数据信息量也在不断的增大。如何在繁杂无序的信息中快速精准的找到自己真正感兴趣的信息变成了每个用户所苦恼的问题。为此孕育而生的搜索引擎,能通过用户输入的关键字进行信息过滤,极大的加快了用户筛选信息速度,一定程度上的解决了“信息过载”的问题。然而在无法准确描述自身需求的情况下,搜索引擎便不能提供优质的服务。因此,诞生了更加亲和用户的个性化推荐。个性化推荐便是通过各种推荐算法对项目属性、用户行为等特征信息进行分析,再通过推荐系统为用户提供其真正喜欢的项目。近几年来,深度学习作为机器学习的新兴学科分支,已然成为了互联网大数据和人工智能的主流。在推荐系统领域,也开始关注推荐系统与深度学习模型的融合。与传统的推荐算法相比,基于深度学习模型的推荐算法,融合了深度学习的优点。例如,自动学习用户或者项目的抽象特征,能够使用多种类型的数据作为输入,能比传统推荐系统提取更多隐藏特征的能力。这些都能够使模型更好的找出用户偏好并提高推荐的准确率。本文工作主要以深度学习和推荐系统为基础,通过对深度学习模型、推荐算法和基于深度学习的推荐算法的深入研究,提出融入时间序列的生成对抗网络应用到推荐系统中,其主要用于用户-项目之间的隐特征提取和用户-项目评分预测。同时,根据循环神经网络的思想,本文还提出了一种基于循环生成对抗网络的个性化推荐算法。主要工作如下:(1)针对本文的研究目的,深度了解个性化推荐算法以及当前流行的深度学习模型,重点研究在特征提取、无监督学习和时间特征传递上有显著效果的模型。同时,为了做效果对比,对协同过滤和矩阵分解算法做了大量的研究。为本研究打下了坚实的理论基础。(2)提出了评论数量差异这个指标。由于传统的协同过滤算法是通过余弦相似度等方法,计算用户评价向量之间的偏差作为相似度。这种方法在两个用户的评论数量相差较大时,相对的其相似度的可信性就会降低。因此,用评论数量差异指标让评论数量差异较大的用户的相似度提升,一定程度上的解决了因为评论数量不同导致的相似度偏差。(3)将融入时间序列的生成对抗网络应用于推荐。这是本文研究的核心之一。运用了卷积神经网络特征提取和生成对抗网络对抗概念,并融入时间序列。以此来避免复杂的隐特征提取问题。同时生成器和时间序列的融入能让推荐结果不再单一不变且有迹可循。(4)通过对项目分类或聚类,替换矩阵中的项目的方法,一定程度上的解决了推荐覆盖率不高且训练时间长的问题。生成对抗网络的推荐覆盖率不高,主要是受限于矩阵的大小。因此,在无法扩大矩阵大小的情况下,替换训练矩阵数据,以此保存不同的训练结果模型。(5)提出循环生成对抗网络。结合了循环神经网络和生成对抗网络的思想,让数据的时间信息直接在模型中传递。

面向亚洲鸟类知识图谱的本体构建和推理研究

这是一篇关于知识图谱,本体构建,知识推理,RNN的论文, 主要内容为近年来互联网数据海量增长,各类异构数据处理能力也不断提升。针对日益增长的数据,知识图谱为数据处理提供了全新的思路。亚洲鸟类研究作为一种领域类知识使用通用知识图谱存在知识浅显等问题。可通过构建专用领域知识图谱整合各类鸟类信息实现领域知识的统一表示。本文旨在构建一个面向亚洲鸟类知识图谱,基于此知识图谱进行推理研究。首先,我们采用文献调研和领域专家的知识获取方法,收集和整合了大量亚洲鸟类相关的本体和实体信息。使用本体构建工具对收集到的知识进行建模和组织,最终构建了一个基础的亚洲鸟类知识图谱。接着,本文利用亚洲鸟类知识图谱进行了知识推理的研究。本文提出了一种融合语义路径混合推理的方法,该方法能够通过图谱中的已有信息,自动推断出新的鸟类实体之间的关系。最后开展基于亚洲鸟类知识图谱的知识服务研究,满足用户各类需求。本文主要工作有以下几个方面:(1)亚洲鸟类领域本体构建。本体构建知识图谱可涵盖领域知识的实体、属性、关系等各方面,确定相关目标后采用七步法结合骨架法评价指标的方式利用Protege工具进行本体构建。(2)针对初步构建的亚洲鸟类知识图谱知识单一化的问题。首先通过融合语义路径的方式,然后利用RNN模型可处理任意长度序列的特性将路径上的实体和关系一同输入迭代运算,最后得到新的知识关系,并将关系填充到知识图谱中。(3)对亚洲鸟类知识服务进行研究实现亚洲鸟类知识图谱的应用,进行需求分析确定相关的功能需求及非功能需求。搭建亚洲鸟类知识服务平台提供知识查询、知识推理、智能问答等服务。

基于深度学习的社交平台情感分析系统设计

这是一篇关于深度学习,情感分析,文本分析,TextCNN,RNN,LSTM的论文, 主要内容为随着互联网技术的迅猛发展,微博等社交平台日渐成熟,用户量剧增导致文本数据爆炸式增长,并且用户所发表的言论简短,口语化严重,导致准确地识别文本中隐含的情感信息更加困难。传统的情感分析方法主要依靠人工构建情感词典,并且需要针对不同领域的语料选择不同的特征选择方法,费时费力,已无法满足短文本情感分析的需求。因此,本文结合深度学习的方法,开发了一个基于深度学习的社交平台情感分析系统。主要研究工作如下:1)进行了数据获取并对数据进行了类别标注。停用词列表采用“哈工大停用词词库”。数据集一部分从网站直接下载,分析整理,另一部分使用Scrapy框架,结合Beautiful soup解析网页,爬取微博评论短文本,最后采用人工标注的方法完成实验数据集的整理。2)建立了基于深度学习的情感分析模型。首先利用嵌入模块将处理好的实验数据,生成嵌入矩阵。然后利用LSTM捕获长距离依赖关系,利用TextCNN捕获单词之间的依赖关系。最后输出文本具体情感类别。分别与基于TextCNN的情感分析模型、基于RNN的情感分析模型、基于LSTM的情感分析模型在同一数据集上进行对比实验,结果表明,基于LSTM+TextCNN的情感分析模型,分类效果最好,准确率高达91.22%。3)开发了社交平台情感分析系统。以微博短文本情感分析为应用场景,以本文中实验方法为基础,设计并实现了一个文本情感分析系统。首先对系统进行需求分析,根据需求分析设计系统整体架构,主要包括数据的获取及存储、数据处理、模型训练、分类预测、人机交互五部分,采用Vue、Django、Scrapy框架进行搭建,Java、Python语言进行编写,最后利用ECharts实现系统可视化。

基于极限学习机的矿山排土场灾害预警研究

这是一篇关于矿山排土场,极限学习机,集成学习,在线预测,自编码器,RNN,分布式的论文, 主要内容为矿山排土场的灾害监测预警尚处于初级阶段,但矿山排土场灾害事故的频繁发生,造成大量的人员死伤、财产损失及对社会恶劣的影响。随着各类型的传感器相继应用于对矿山排土场的安全监测,实现对矿山排土场安全状况进行短时的预警机制,对提升相关企业在处理相应灾害事故的主动性有着重要的研究意义。本文针对矿山排土场的安全预警现状展开研究,开发了 B/S与C/S混合架构的矿山排土场监测预警系统,对矿山排土场的各特性指标数据进行实时采集,实现了对排土场的各指标的实时监测需求。首先,通过对采集的历史数据进行主成分和关联性分析,确立了以地表位移为主,多变量融合的矿山排土场预警目标;其次,在对矿山排土场的数据进行分析与挖掘基础上确立了基于AdaBoost的粒子群优化极限学习机的集成学习预测模型,通过粒子群算法的寻优避免了极限学习机相关输入参数人为选择的局限性和AdaBoost的集成思想提升极限学习机的预测精度,实验表明,该模型在离线预测阶段,取得了较好的效果;再次,考虑到长期内矿山排土场的相关数据存在大量积累与出现动态波动现象,离线模型无法满足实时预测需求,提出了自编码的自适应在线循环极限学习机模型,该模型结构由两层自编码网络和一层RNN网络组成,通过RNN网络、自编码器与自适应遗忘因子的加入,使得模型的相关权重能够由新的输入数据流确定,同时消除噪声数据的干扰与增强模型的抗干扰性,实验表明,提出的模型在预测精度和效率上较其它相关模型表现更优;最后,为应对将来海量的矿山排土场数据累积,提出基于分布式自适应在线极限学习机算法模型,通过分布式系统进行预测任务,实验表明,并行算法改进的有效性,分布式系统在海量数据处理的高效性。