9个研究背景和意义示例,教你写计算机项目属性论文

今天分享的是关于项目属性的9篇计算机毕业论文范文, 如果你的论文涉及到项目属性等主题,本文能够帮助到你

基于协同过滤的个性化新闻推荐系统的研究与实现

这是一篇关于个性化推荐系统,协同过滤,用户偏好,项目属性,评分矩阵的论文, 主要内容为随着互联网技术的发展,人们已经由信息匮乏时代迈进信息过载时代。海量的信息资源使得人们很难找到自己感兴趣的内容,这一用户需求促进了个性化推荐系统的发展。个性化推荐系统以其能够过滤大量无用信息,预测用户潜在喜欢内容的优势,得到了各领域越来越广泛的应用。本文研究的是个性化推荐系统在新闻领域的应用,虽然新闻个性化推荐已经在理论研究中取得了长足发展,但仍有很多问题亟待解决,如:数据稀疏性问题、冷启动问题、可扩展性问题等。因此本文把解决个性化新闻推荐系统中的数据稀疏性和冷启动问题作为研究重点,其主要工作有:(1)提出一种基于用户偏好和项目属性的协同过滤推荐算法(IAUPCF)。本算法在传统的用户项目评分矩阵的基础上,融入用户偏好和项目属性,把评分矩阵转换成基于用户偏好和项目属性的评分矩阵(IAUPEM),然后根据IAUPEM计算目标用户最近邻居集。此改进算法解决了传统相似性计算只依赖用户评分值而造成数据稀疏的问题。(2)提出一种新的有效预测评分值方法,使用该方法进行预测值判定,能够降低“时间效应”对推荐结果的影响,得到更准确的用户兴趣模型,使经过预测计算后的值更接近真实情况,从而提高推荐精度。(3)设计并实现一个简单的基于协同过滤的个性化新闻推荐系统,本系统基于IAUPCF算法,能够实时准确地向用户推荐其感兴趣的新闻。本文提出的IAUPCF算法不仅能够有效地弥补传统协同过滤算法中的不足,还能明显提高系统推荐精度,更为新闻推荐系统的改进提供了一种新的研究思路。

融合用户和项目属性信息的个性化推荐技术研究

这是一篇关于个性化推荐,冷启动,用户属性,项目属性,协同过滤的论文, 主要内容为随着信息技术的发展和互联网的广泛普及以及移动互联网技术的蓬勃发展,人们所面临的“信息过载”问题日益严峻。推荐系统作为有效解决“信息过载”问题的重要手段已广泛应用于电子商务、音乐网站、新闻资讯、在线学习等诸多领域,并取得了显著的效果,尤其是以协同过滤技术为代表的个性化推荐技术已成为人们及时准确地获取有用信息的必不可少的重要手段。协同过滤技术虽然得到了广泛的应用,但是其固有的不足一直困扰着人们,如数据稀疏、冷启动等问题一直是诸多学者们致力于解决的研究热点。针对上述问题本文在已有的推荐模型的基础上融合用户和项目的属性信息,提出了一种能够解决冷启动问题的混合推荐模型,并命名为“C-SVD++”模型。混合模型的预测结果由三部分组成,分别是基于用户属性信息的预测评分、基于项目属性信息的预测评分以及传统评分模型的预测评分。考虑到已有的方法在解决冷启动问题的过程中往往以牺牲模型整体的准确率为代价的问题,该混合模型通过巧妙地设计各项权重系数,使得能够根据用户和项目在推荐系统中的交互情况动态调整混合模型中各项所占的比重,以保证模型整体的推荐准确率的情况下有效缓解冷启动问题。为了更加合理充分地利用用户和项目的属性信息并提高基于属性信息的预测结果的可靠性,本文总结了普遍适用于各种不同类型属性信息的相似性度量方法适用准则,为改进模型能够在具有不同类型属性信息的不同平台上得到顺利应用奠定了基础,也为今后在推荐系统中更好地研究和利用用户和项目的属性信息提供了理论框架。最后在Movie Lens 100K数据集上进行了对比验证实验。对比验证实验结果表明改进的混合模型不仅能够有效缓解冷启动问题,同时也能够提高在非冷启动情况下的推荐准确率,充分证明了本文提出的混合模型和相似性度量方法的有效性和先进性。

协同过滤算法在个性化推荐系统中的研究

这是一篇关于个性化推荐系统,协同过滤算法,项目属性,MAE的论文, 主要内容为随着互联网和电子商务的发展,信息过载现象越发的严重,导致人们在寻找自己所需的信息时要耗费越来越多的时间与精力,有时候还可能迷失在众多信息之中,忘记自己真正需要的信息是什么。虽然搜索引擎可以在一定程度上帮助用户过滤信息,但是这仅仅是针对那些明确知道自己所需的信息或者商品是什么的用户,对于那些需求比较模糊的用户其帮助程度就可能就不那么明显了。在这种情况下,个性化推荐系统就应运而生了。因为它不仅可以帮助人们过滤信息或物品,而且可以主动为用户推荐他们可能感兴趣的信息或物品。但随着用户数量和信息种类的快速增加,当前的个性化推荐系统也面临着一些挑战。本文重点就是针对当前个性化推荐系统中的协同过滤算法的冷启动和稀疏性进行相应的优化改进。首先,对个性化推荐系统的相关基本理论知识进行详细的介绍和整理。然后,对协同过滤算法的基本思想与其常用的算法进行分析与总结,随后对当前协同过滤算法存在不足进行整理,进一步分析其产生的原因。根据分析的结果,提出一种添加项目属性类别的协同过滤算法,该算法对其传统的相似性度量方法了进行优化,即在计算项目之间的相似度时增加了一个项目属性类别的参数。这样就弥补了传统的度量方法在计算项目之间的相似性时,把不同类别的项目之间进行比较,从而导致其项目的最近邻居不准确。该算法的基本思想是先利用项目自身属性对其进行分类,然后根据分类的情况在类内进行其相似性的计算,计算是采用改进后的公式,即添加项目属性参数的公式来进行项目之间的相似性计算,其次根据其相似性的计算结果生成目标项目的最近邻居集,然后根据其最近邻居在类内对其评分进行预测,把评分较高的前N项作为Top-N输出。最后,利用Movielens网站提供的开源数据包对改进后的算法进行相关的验证,选取平均绝对误差(MAE)作为衡量其算法准确度的标准。通过对比改进前后算法的MAE,可以直观的看出改进后的算法在一定程度上降低了冷启动和稀疏性对推荐算法精确度的影响,提高了推荐系统的推荐效果。

社交网络中基于深度特征学习的推荐算法研究

这是一篇关于推荐系统,深度学习,项目属性,社交网络,注意力机制的论文, 主要内容为伴随移动互联网发展而来的是信息资源的不断增长和社交网络的蓬勃发展,海量资源在给人们日常生活带来便利的同时也为信息的有效筛选增加了困难。基于深度学习的推荐算法可以实现有效的特征提取,对推荐系统辅助信息中隐藏的深层特征进行挖掘可以缓解数据稀疏问题。此外,通过提取用户社交网络中所蕴含的信息能够提高推荐质量。因此,基于深度特征学习研究社交网络中的推荐算法具有一定的意义。针对社交网络中基于深度特征学习的推荐算法展开研究,主要包括以下两个方面:一是传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级进行评分预测,忽略了在推荐过程中除用户项目评级以外的其他辅助信息所带来的影响;二是基于社交网络的推荐模型如果仅仅考虑将用户项目交互信息和用户社交网络信息作为两个独立的任务来获取用户感兴趣的内容,这在一定程度上会忽略用户偏好在社交网络上的具体传播过程,这为用户最终生成的推荐列表的准确性会产生了一定的影响。针对以上问题,本文的主要工作和研究成果如下:(1)针对传统的推荐系统在推荐过程中仅仅考虑使用用户对项目的评级造成评分预测准确率低的问题,提出了一种基于评分矩阵和项目属性的深度推荐模型。首先,将运用静态编码方法表征出的用户和项目属性向量作为深度神经网络的部分输入,同时利用多层神经网络学习出用户和项目以及两者在属性边信息上的一阶特征;其次,在两者的一阶特征基础上进行特征映射和特征拼接操作获取用户和项目的二阶和深度特征,最后根据用户和项目的深度特征实现评分的预测。在不同推荐数据集上的实验结果表明所提出的推荐模型能够有效缓解评分矩阵稀疏问题,且其多数评分预测的指标都优于目前其他的推荐模型。(2)针对传统的社交推荐模型存在的用户项目交互信息和用户社交网络信息融合度不高的问题,提出了一种基于图神经网络的偏好传播社交推荐模型。首先,对用户和项目进行嵌入层编码并作为图神经网络的输入,同时定义了用户的高阶信任和波纹集合;其次,运用注意力机制对波纹集合中的项目和高阶信任集合中的用户所蕴含的偏好信息进行聚合与传播,最后根据偏好传播后所得的用户特征实现评分的预测。除此之外,在真实数据集上进行的不同实验结果证明所提出的推荐模型能够充分结合用户项目交互信息和用户社交网络信息传播用户偏好,与其他推荐模型相比较,所提出的模型在预测和分类准确度方面都有一定的提高。

基于自编码器与注意力机制的项目属性感知推荐算法研究

这是一篇关于推荐系统,自编码器,注意力机制,项目属性的论文, 主要内容为随着科学技术的快速发展,用户可获取的信息越来越多,随之而来的“信息过载”问题造成了用户很难在海量信息中快速定位自身所感兴趣的内容。推荐系统作为解决这一问题的有效手段而受到广泛的重视。然而随着用户和项目的数量不断增长,导致个性化推荐面临着一些挑战:其一,用户对项目的历史交互信息中包含着丰富的数据信息,如何有效的建模这些数据来学习户和项目的特征,对于预测用户的偏好至关重要。其二,现有的低阶线性推荐模型难以挖掘用户和项目之间更高阶的非线性关系。其三,项目属性作为一种辅助信息,能够缓解冷启动问题。但如何有效利用项目属性信息,来实现个性化推荐仍是一个值得研究的问题。基于以上提出的三个问题本文的贡献如下:(1)为了克服传统推荐模型仅仅将用户和项目的向量信息嵌入到低维空间中,从而造成信息丢失的问题。设计了基于改进自编码器的模型,通过多层次的网络结构来保留用户/项目历史数据中重要的信息,并在潜层空间中捕捉更为抽象的特征表达,以此来更有效建模用户偏好。(2)为了充分学习用户和项目特征向量之间的复杂交互关系,分别通过两种不同的方式来对交互过程进行建模。一方面,通过向量点乘来学习它们之间的低阶线性关系,另一方面,将向量拼接并通过多层感知机来学习其高阶非线性关系。(3)为了有效缓解稀疏性问题,将项目属性信息融入模型中。并且通过双重注意力机制来建模用户更个性化的偏好。首先,通过局部注意力网络挖掘用户对项目不同属性的细粒度偏好,然后根据全局注意力网络来衡量用户对项目的整体偏好和细粒度偏好对用户最终做出决策的不同影响。最终,在两个公开数据集上进行大量实验并通过和多种算法在不同指标下进行对比,来验证所提模型的有效性。

基于改进协同过滤算法的分布式推荐系统设计与实现

这是一篇关于协同过滤算法,推荐系统,项目属性,聚类,矩阵分解的论文, 主要内容为信息数据的高速度增长带来了信息过载问题,如何在海量数据中挖掘出数据的潜在价值,为用户作出更好的推荐,关乎着一个企业的生存乃至发展。推荐系统的推荐效果离不开推荐算法、推荐模型的支撑。协同过滤算法作为推荐系统主流推荐算法,对提供更好的推荐服务起到十分重要的作用。因此,本文对传统协同过滤算法进行改进,在此基础上设计并实现分布式电影推荐系统。(1)基于协同过滤的推荐算法研究。针对数据稀疏性、用户评分单一的相似性,低精度的相似度度量降低了推荐系统的性能问题。提出了一种基于项目属性与用户兴趣迁移的协同过滤算法。首先,不再仅仅依靠用户对项目的评分定义用户兴趣,而是考虑项目类别属性反映用户兴趣,构建项目属性相似度计算方法;其次,考虑用户的兴趣会发生动态迁移,引入艾宾浩斯遗忘曲线,构建用户兴趣度计算方法,量化用户兴趣变化;最后,构造新的相似度计算模型。针对传统协同过滤算法由于缺少用户历史评分数据,无法准确为用户作出推荐,新用户或者新项目的加入,仍然存在冷启动问题。提出了一种基于矩阵分解与聚类的协同过滤算法。在矩阵分解的基础上对项目属性进行聚类,用已更新后的项目特征矩阵和用户特征矩阵相乘得到的用户预测评分矩阵,为用户进行个性化推荐。(2)基于协同过滤算法的分布式推荐系统分析与设计。在所提出改进协同过滤推荐算法的基础上,按照软件工程设计思想,从技术可行性、经济可行性、功能与非功能方面对基于协同过滤算法的分布式电影推荐系统进行了需求分析,明确了系统采用B/S三层架构体系,阐述了系统的分布式设计,并对各个功能模块进行了详细设计。(3)基于协同过滤算法的分布式推荐系统实现与测试。实现的基于协同过滤算法的分布式电影推荐系统基于大数据平台,数据存储在ES和文档数据库Mongo DB上,非关系型数据库Redis实现数据的高速读取,并融合基于内容、实时、离线非个性化推荐等方式进行混合推荐。为了验证系统是否满足开发需求,对系统进行功能测试以及分布式环境下并发访问的性能测试。

基于自编码器与注意力机制的项目属性感知推荐算法研究

基于改进协同过滤算法的个性化新闻推荐系统的研究与实现

这是一篇关于协同过滤,推荐系统,项目属性,改进混合用户模型,评分合理因子的论文, 主要内容为随着网络与信息技术的飞速发展,大量信息快速涌现,网络资源呈指数式增长,用户很难快速找到需要的信息。作为信息数据过滤的重要方法,个性化推荐系统被广泛认为是解决信息数据过载问题的有效途径,并在各领域得到了广泛应用。虽然个性化推荐系统已经取得了不错的成绩,但是仍然在多方面存在缺陷,如:推荐质量受数据稀疏性问题和冷开始问题影响严重、系统可扩展性差、推荐实时性差等。针对个性化推荐系统存在的上述不足,本文对个性化新闻推荐系统采用的协同过滤推荐算法进行了深入的、有价值的探索研究,期望帮助读者从海量新闻资讯中快速准确的找到其感兴趣的新闻并获得期望的阅读体验。本文的主要工作为:(1)对个性化推荐相关技术及其研究现状进行综述。(2)提出一种改进混合用户模型的协同过滤推荐算法(IHUMCF)。首先,IHUMCF提出一种新的用户兴趣建模方法,此方法在传统用户-项目评分矩阵基础上,融入项目属性和用户人口统计信息,把用户-项目评分矩阵转化为基于用户兴趣特征和项目属性特征的混合评分矩阵(MRM),提高了用户模型的信息密度。其次,IHUMCF提出一种新的相似度计算方法,针对用户评分尺度差异性问题,IHUMCF在用户相似度计算过程中引入了用户评分合理因子,以此改进用户相似度计算方法,提升查找最近邻居集的准确度。(3)设计并实现了基于IHUMCF算法的个性化新闻推荐系统,经验证,此系统具有为用户个性化推荐的功能,且具有良好的性能,同时证明了基于IHUMCF算法的个性化新闻推荐系统推荐效果有明显提升。本文提出的IHUMCF推荐算法不仅能够有效地弥补传统协同过滤算法中的一些不足,还能提升推荐的精准度,为个性化新闻推荐系统的改进提供了新思路。