6个研究背景和意义示例,教你写计算机用户分类论文

今天分享的是关于用户分类的6篇计算机毕业论文范文, 如果你的论文涉及到用户分类等主题,本文能够帮助到你

基于FCM聚类的电力用户分类及需求侧管理平台的设计与实现

这是一篇关于需求侧管理,有序用电,FCM聚类算法,用户分类,负荷曲线的论文, 主要内容为近年来,我国各地区用电负荷总量持续攀升,电力市场的供需不平衡问题持续升级。再者,当前的电力需求侧管理工作落实不到位,资源配置不合理。在电力资源有限的情况下,实施有序用电是缓解高峰时期电力供需矛盾最直接有效的负荷管理措施。为了提高电力资源的使用率,对电力用户侧负荷数据的价值挖掘是对用户用电行为分析的基础,根据不同类型用户实施差异化的需求侧管理工作也是当前电网研究的热点课题之一。本文的主要工作内容有:(1)负荷数据的采集与处理。本文样本数据取自江西省地区EMS系统,使用Kettle工具将数据进行提取。首先将负荷数据进行清洗,然后提取典型用户的用电负荷特性,为了提高负荷聚类的有效性和准确性,将负荷功率数据进行归一化处理,并使用中值滤波法将曲线进行平滑处理。经过处理后的数据,能够更加直观地反映负荷曲线的曲线形状和变动情况。(2)基于FCM聚类算法的电力用户分类。为了提取用户用电负荷模式类别,本文将FCM聚类算法运用于电力用户分类。首先基于处理后的数据进行聚类,根据DBI指标确定聚类数目为5,然后通过不断确定簇中心点和隶属度将样本数据分为五种负荷曲线模式,最后根据聚类结果分析不同用户参与有序用电的潜力。经实践验证,依照本文提出的电力用户精细划分负荷模式,为用户提供差异化供电需求,提高了企业参与有序用电的达标合格率。(3)在调度安全区内设计和实现了基于有序用电的电力需求侧管理平台。该平台以负荷数据采集、实时监控负荷、有序用电和可中断分析管理、负荷数据分析与统计为主线,探讨了该平台的相关技术、总体架构设计、接口和安全设计、负荷管理流程、主要功能实现等内容。该平台通过建立电网侧与用户侧用电方案双向交互机制,结合大数据开发和web开发技术,进行实时、准确的动态采集数据和分配电力资源;以总量调控、结构优化为标准,实现管理、监测、分配一体化的电力需求侧管理。

基于MMTD和用户的协同过滤推荐算法

这是一篇关于协同过滤,用户相似度,中介真值程度度量,兴趣偏向系数,深度森林,用户分类的论文, 主要内容为随着互联网的迅猛发展,网络上的信息量大幅度增长。信息的生产和消费产生了新的矛盾:生产者难以让自己生产的信息引人关注;消费者难以寻找到自己感兴趣的信息。为解决这一矛盾,推荐算法应运而生。基于邻域的推荐算法是推荐算法领域中应用最广泛的一种,受到学术界的广泛关注和深入研究。基于用户的协同过滤算法作为基于领域的推荐算法的重要组成部分,近年来取得了众多研究成果,但是这些算法在度量用户间的相似性时,都未能合理利用用户的正反馈数据,导致用户间的相似性度量不够准确。针对这一问题,本文将中介真值程度度量(Measure of Medium Truth Degree,MMTD)和兴趣偏向系数引入到协同过滤推荐算法,有效地利用了用户的正反馈数据,提高了用户间相似性度量的准确性。同时,在用户数据量过大时,基于用户的协同过滤算法开销较高。针对这一问题,本文将深度森林和兴趣偏向向量应用到用户分类上,一定程度上实现了降低开销的目标。实验结果表明,本文提出的方法能够有效提高推荐结果的准确率和召回率,具有很高的实用价值。论文首先对中介数学和中介真值程度度量方法进行了介绍,在此基础上对用户相似性度量,用户对物品兴趣度和用户分类进行了深入研究。主要工作如下:(1)针对目前基于用户的协同过滤算法中,未能充分合理利用用户正反馈数据度量用户间相似性的问题,提出了一种结合用户评分和MMTD的方法,并将其应用于传统的余弦相似性和Jaccard相似系数的改进,有效地提升了用户间相似性度量的准确性。(2)为了减轻用户评分主观性对推荐性能的影响,提出了兴趣偏向系数,并将其和用户评分应用于用户对物品兴趣度的度量,有效地提高了推荐结果的准确率和召回率,并且提高了算法的健壮性。(3)针对用户数据量过大时,协同过滤算法开销较高的问题,提出了一种结合兴趣偏向向量和深度森林的方法,实现了对用户的较准确分类,从而降低用户数据量,有效地提高算法的效率。(4)结合本文改进的推荐算法设计并实现了基于Java和SSM框架的电影管理和推荐系统。该系统能够实现用户数据、电影数据和日志数据管理以及热门物品,分类推荐,猜你喜欢三种电影推荐方式,具有很高的实用价值。

基于深度学习增强的个性化推荐算法研究

这是一篇关于深度学习,推荐算法,层叠稀疏降噪自编码器,辅助信息,用户分类的论文, 主要内容为随着互联网技术的迅速发展和数据量的激增,能够有效解决信息过载现象的推荐系统应运而生。协同过滤推荐算法是推荐系统中应用最广泛、发展最快的一种算法。由于只利用了用户和项目的交互信息,它的发展受到了数据稀疏性和冷启动问题的严重影响,这导致算法的准确率受到了限制。研究表明,引入辅助信息可以有效缓解协同过滤算法的冷启动、数据稀疏问题,但浅层模型具有特征提取效果不佳的缺点。近年来,将深度学习模型应用于推荐系统的方法不断涌现,但以上问题仍然存在。针对这些问题,本文利用深度学习中的层叠稀疏降噪自编码器,将辅助信息融入推荐算法来增强算法的特征提取能力,更准确地完成评分的预测。主要研究内容有以下几点:1.提出“层叠稀疏降噪自编码器增强的基于用户分类的隐含因子算法”,该算法采用“深层模型提取项目特征+浅层模型提取用户特征”的组合模式。用户特征提取:使用系统评分制度的平均值改进指示函数的判定条件,使其更具有合理性,并将用户分类矩阵融入到隐含因子模型的预测评分中,通过用户分类,判定新用户所属类别,有效解决了新用户冷启动的问题。项目冷启动、数据稀疏、浅层模型特征提取能力有限的问题:使用“深度学习+隐含因子模型”的框架,在层叠自编码器模型中同时融入降噪性和稀疏性,形成层叠稀疏降噪自编码器模型,提高了模型的鲁棒性和泛化能力。从项目的基本信息中学习项目的深层特征,并将其融入到隐含因子模型中,形成基于深度学习增强的个性化推荐算法,解决了特征提取困难、冷启动和数据稀疏问题。2.提出“基于层叠稀疏降噪自编码器融入辅助信息的隐含因子推荐算法”。通过使用层叠稀疏降噪自编码器提取用户特征,同时使用深度学习模型提取项目特征,将用户、项目的深层特征表示与评分矩阵充分融合。3.将以上算法和目前应用广泛的五种算法作对比实验,结果表明,所提出的算法在准确性上优于其他对照算法,说明提出的新算法有效提高了推荐系统的准确性;“基于层叠稀疏降噪自编码器融入辅助信息的隐含因子推荐算法”优于“层叠稀疏降噪自编码器增强的基于用户分类的隐含因子算法”,表明深度学习模型特征表征能力对推荐算法的增强效果要高于浅层模型。

融合知识图谱的用电客户行业分类方法研究

这是一篇关于电力营销,用户分类,知识图谱,自然语言处理的论文, 主要内容为随着用电信息采集技术的不断发展,计量自动化系统逐渐得到了普遍性的应用。但由于电力企业的计量自动化系统存在管理分散、早期业务流程不尽规范等问题,导致现有的部分用户信息存在行业标识缺失或者错误的情况,阻碍了用户行业分类工作的开展。针对计量系统中用电客户行业信息文本特征稀疏、挖掘困难等特点,本文构建了用电客户行业信息知识图谱,提出了一种融合知识图谱的用电客户行业分类方法,并进行了一系列对照实验,主要取得的成果如下:1.构建用电客户行业信息知识图谱。针对用电客户行业信息文本的特点,在知识图谱构建一般过程上进行修改,提出了用电客户行业信息知识图谱的构建流程。首先进行文本数据的获取,经过文本预处理后进行数据模式定义,接着构建实体及关系,最后将知识图谱存储到Neo4j图数据库中,从而完成了对用电客户行业信息知识图谱的构建。2.融合知识图谱的用电客户行业文本特征提取方法。对常用的特征提取方法进行改进,利用知识图谱的图结构,对用电客户及其行业信息文本之间的关系进行表示,将一级实体亲密度和二级实体关联性作为特征引入算法过程,有效地扩展了用电客户的行业特征,并通过链路预测算法及用户连接强弱程度对特征加权,构建用电客户的特征向量。3.融合知识图谱的用电客户行业分类算法。算法包括构建用电客户行业信息知识图谱、一级实体亲密度特征维度构建、二级实体关联性特征维度构建、分类器训练四个环节。首先,通过用电客户行业信息知识图谱提取用电客户的行业特征,完成一级实体亲密度特征维度及二级实体关联性特征维度的构建后对其进行拼接,形成用电客户的特征向量。接着将构建的特征向量输入极限树分类器,经过训练后最终得到分类模型。经过一系列对比实验,证明融合知识图谱的用电客户行业分类算法相对与传统的分类算法而言,在性能上有了一定的提升。4.开发了用电客户行业分类平台。该平台是融合知识图谱的用电客户行业分类方法的实际应用,可对计量自动化系统中的用户行业标识进行检查、更正及补全,有效提高了用电客户行业分类工作的效率,助推营销数字化转型。