5个研究背景和意义示例,教你写计算机聚类集成论文

今天分享的是关于聚类集成的5篇计算机毕业论文范文, 如果你的论文涉及到聚类集成等主题,本文能够帮助到你

基于社交关系下用户兴趣偏好的协同聚类集成算法研究

这是一篇关于协同过滤推荐,兴趣偏好,社交关系,聚类集成,相似度的论文, 主要内容为互联网的普及和信息技术的发展,引起数据爆炸式增长,使“信息过载”问题日益严重,而依赖用户历史信息为用户提供个性化推荐的推荐系统有效缓解了该问题带来的困扰。推荐系统的核心是通过推荐算法挖掘用户潜在的兴趣和偏好,主动为用户提供精准推荐。因此,如何深入准确挖掘用户兴趣偏好以提高推荐准确性一直是推荐系统领域研究的一个热点问题。目前多数研究者主要是通过用户历史评分和社交关系信息建立不同的模型来挖掘用户的兴趣偏好,但存在的一个普遍问题是忽略了兴趣和偏好的差异。因此,本文通过明确定义用户兴趣和偏好概念,以提出更加精确的推荐算法。为提高推荐的准确性并缓解传统协同过滤推荐算法存在的数据稀疏、冷启动、扩展性差的问题,本文提出了基于社交关系下用户兴趣偏好的协同聚类集成算法SIPCE(collaborative clustering ensemble algorithm based on users’interests and preferences under social relation)。鉴于目前在非监督数据集上都是研究用户对单个项目的兴趣偏好,缺乏对用户整体兴趣偏好的挖掘,因此,SIPCE算法首先在非监督数据集上采用矩阵分解算法获取项目的潜在特征向量,并对其进行聚类以表示项目的类型信息,以此研究非监督数据集上用户对项目类型的兴趣偏好;其次,在构造兴趣偏好模型时,为提高推荐性能,SIPCE算法通过明确区分兴趣和偏好差异,结合各自特点,引入专家用户和直接信任用户两个社交关系,再将项目按照评价主体加权融合计算用户兴趣和偏好,构造基于项目类型的用户兴趣矩阵和偏好矩阵,缓解了数据稀疏和冷启动问题。然后,为缓解单一聚类算法存在的降低推荐准确性问题,在计算相似度前,采用聚类集成方法对用户兴趣和偏好矩阵分别进行聚类。最后,基于聚类簇计算相似度,并进一步将兴趣和偏好相似度进行融合,寻找兴趣和偏好都相似的用户进行推荐,使推荐的结果更加准确。本文算法在解决传统协同过滤存在的问题的同时,对用户兴趣和偏好进行明确的定义,研究兴趣和偏好对推荐系统的综合影响。实验部分通过两个公开的数据集,研究了用户兴趣和偏好在不同评价指标下对推荐系统的不同影响,以及聚类集成方法对提高推荐算法精度的有效性,并将本文算法与其它经典推荐算法进行比较,实验结果表明本文算法可以进一步提高推荐性能,且对冷启动用户也表现出较好的效果。

木材产业生态链平台的研究与实现

这是一篇关于木材产业生态链,大宗交易,监管模式,推荐模型,聚类集成的论文, 主要内容为木材产业是我国经济的重要组成部分,提高木材企业的竞争力,有利于促进木材产业的整体发展。为了拥抱“互联网+”以及电子商务,应为木材企业提供符合该行业实际需要的线上木材交易平台,帮助它们提高竞争力及影响力;同时,当前我国政府政策对木材企业的原料来源及加工工艺等提出了严格的要求,因此结合国内生态环保政策、木材产业链、木材大宗交易模式三方面的特色开发出的线上平台具有较强的实际意义。本文通过在传统木材产业链的基础上融入对生态环境的关怀,研究了木材产业生态链的概念,并将该概念与木材大宗交易中的“卖方挂牌”模式相结合,改良出了一种B2B交易模式:在木材供货商与采购商的大宗交易中加入第三方,由第三方负责监管木材产品从木材产业生态链首端到尾端过程中的所有环节,通过合同约束各方行为,保证最终的产品“原料清白、加工环保、质量可靠”。在上述基础上,为进一步帮助优秀木材供货商扩大影响力,本文研究了基于超级扩展谱聚类集成算法的木材供货商推荐模型,该模型使用木材采购商对供货商的评分大数据作为输入,通过聚类集成模型筛选出优秀供货商并推荐到平台首页。在真实数据集上运行的模型选择实验结果表明,超级扩展谱聚类集成算法在评分大数据上的聚类效果优于单一聚类算法及其它经典聚类集成算法,使用该算法能更有效地筛选出优秀供货商。在充分研究当前国内外木材线上交易平台特性、木材产业链相关概念、木材产业环保政策以及聚类集成算法的基础上,本文基于SSM及分布式服务框架实现了木材产业生态链平台。通过测试,该平台满足了需求分析及系统设计时的预期要求,能较好地服务木材生态链上的各类角色,引入的木材供货商推荐机制能帮助优秀供货商获得更多的用户流量,有利于促进本平台内供货商的竞争与进步。

面向推荐系统的稀疏矩阵填充算法研究

这是一篇关于推荐系统,矩阵分解,聚类集成,冷启动,稀疏性的论文, 主要内容为推荐系统的信息来源具有多样性和特殊性,如何高效挖掘用户偏好信息一直都是推荐系统研究的重点。然而大规模增加的用户和项目信息必然给推荐系统带来冷启动、稀疏性以及用户兴趣偏移等问题。因此,充分利用用户、项目、用户-项目评分矩阵等信息对评分矩阵进行填充能有效改善推荐系统面临的冷启动和稀疏性等问题。本文针冷启动、用户-项目评分矩阵高缺失值等问题进行改进,提出了不同源聚类集成算法,在集成过程中除了使用用户-项目评分信息,还充分利用了用户、项目信息,并进一步提出了面向推荐系统的稀疏矩阵填充算法。首先使用不同源聚类集成算法去整合用户、项目以及评分信息聚类的结果,得到改进后的用户、项目近邻集合。其次,在保证矩阵分解前后用户(项目)间相似性一致时,本文对经典正则化矩阵分解模型的目标函数进行改进,将用户(项目)的前k个近邻集合作为优化的约束条件加入目标函数中。该方法使得模型在遇见新用户、新项目以及评分矩阵稀疏的情况下,可以利用用户信息、项目信息计算用户、项目的相似度,以此缓解冷启动、稀疏性问题。最后使用梯度下降法进行优化求解,解得因子矩阵P和Q,并用二者乘积作为预测评分结果对评分矩阵进行填充。在该算法中,融合用户、项目近邻模型的矩阵分解以及对不同源聚类集成算法进行改进,从理论上缓解了冷启动、稀疏性等问题,且一定程度上提高了评分矩阵填充的准确性。本文在经典的MovieLens数据集和电商真实数据集上进行实验,将本文提出的k-CE-MF算法和其他基于矩阵分解模型推荐算法的评分矩阵填充结果进行比较和分析。实验结果表明,提出的面向推荐系统的稀疏矩阵填充算法能够更准确的对用户-项目评分矩阵进行填充,较好的缓解冷启动、稀疏性问题,而且在较丰富、全面的用户、项目信息数据集上具有更好的效果。