出行平台首页推荐算法研究
这是一篇关于首页推荐,集成模型,马尔可夫模型,高斯混合贝叶斯,决策树的论文, 主要内容为Uber和滴滴等共享出行平台在当今的公共出行中扮演着越来越重要的位置,这不仅源于它们庞大的市场份额和服务量更在于它们提供的服务具有层次性和多样性能适应大众的需求。时至今日滴滴APP内提供的服务类型已有十多项,在用户开启APP时平台会首页推荐并展示其中一项服务的服务页面,最初的首页推荐策略是用户“最近一次使用的服务”,随着平台产品增长和用户使用习惯场景化,该方案已无法适应当前需求。据统计,滴滴平台内有30%的用户发出订单前需要切换四次服务选项卡。为了减少用户操作复杂度和操作时间,迫切需要一种新的算法可以更准确地预测用户需求向用户推荐服务。结合具体的业务场景,在预测时平台可以获取用户当前的时空特征。传统机器学习模型在基于时空特征的预测已取得了一定的成果。在本文中结合滴滴平台用户的服务选择和时空特征的相关性提出一种新的推荐算法。该算法由三个子模型集成产生,子模型分别是使用马尔可夫状态转移矩阵记录用户历史订单中不同服务间的转移概率的时序模型、使用高斯混合分布拟合用户使用产品时间分布再通过贝叶斯公式计算条件概率的时间模型以及采用决策树划分经纬度特征的空间模型。三个子模型通过bagging的方式集成为一个集成模型。预测阶段通过获取用户打开APP的时空特征做出预测,将预测结果作为首页展示的服务页面。该预测算法的实现基于python语言,数学函数库numpy、scipy以及机器学习框架sklearn。实验阶段随机抽取了北京地区20000名用户一个季度内的历史出行数据作为数据集,以这批用户最后一周的订单作为测试集脱敏处理后进行离线对比测试。使用Precision和Marco-F1 scores作为评价指标,对比分析新算法与各基准算法的表现。实验结果显示新算法相较于原始推荐方法在两个指标下都取得了较大提升。
基于JAVA的商品推荐系统的开发研究
这是一篇关于J2EE,马尔可夫模型,商品推荐,电子商务的论文, 主要内容为当今社会,计算机技术和网络呈现一个快速发展的状态,伴随而来的是网络信息以几何级速度增长,越来越多的信息出现在网络中,但是有价值的信息很难被用户第一时间获取,如何解决信息超载带来的查找有用信息困难的情形,成为一个非常重要的问题。电子商务推荐系统是解决信息超载的主要方式之一。电子商务推荐系统方便了用户,帮助用户发现他们所需要的商品,提高了营销效果,在电子商务推荐系统中,用户的偏好信息可以被电商网站的推荐算法获取到,然后推荐给用户可能喜欢的商品,并已经获得了巨大的成功。但是,目前为止还有大量的问题值得我们研究。在本论文工作中,一方面,我们对部分算法进行了整合即对基于物品的协同过滤推荐,基于用户的协同过滤推荐,基于Slopone算法的推荐进行了组合推荐;另一方面,根据以往的推荐算法,我们将马尔科夫逻辑网络模型引入到推荐算法中,构建推荐模型,并通过实验结果对算法进行了评估。同时,本系统采用J2EE架构技术和基于B/S的三层体系结构模式来对整体框架进行搭建,完成了电商网站各功能模块的设计。
基于量化仿真分析方法的单片机平台RSA计时攻击任务及其工作流管理系统设计与实现
这是一篇关于RSA计时攻击,量化-仿真-分析方法(QSA),马尔可夫模型,单片机平台,并行计算,工作流技术的论文, 主要内容为信息安全问题日益突出,侧信道分析(Side Channel Analysis)技术的出现打破了传统密码分析学的思路,严重威胁到密码系统的安全性。作为主要的侧信道分析技术,计时攻击(Timing Attacks)对运行在软硬件系统的RSA加密算法以及密钥的安全性构成严重威胁。针对此问题,本文分析并仿真实现了单片机平台RSA模幂运算过程,并在此基础上设计了新型计时攻击算法,为软硬件设计者提供了新的安全评价指标。具体工作包含以下几个方面:(1)考虑到安全边缘计算范式下单片机平台存储和计算能力的局限性,攻击者在解密密文时,通过时间侧信道收集敏感信息并利用多元统计分析以破解RSA密钥的成功率可能更高。本文提出了一种量化-仿真-分析(Quantity-Simulation-Analysis,QSA)方法来构建RSA计时攻击任务的马尔可夫模型。首先量化解密过程以获得耗时特征,然后模拟机器指令周期并通过并行计算实现仿真,最后分析建立具有更精确状态转移矩阵的马尔可夫模型。在此基础上,设计了穷举搜索攻击算法,并以此为基准,与其他文献中的一些算法进行了比较,提出了一种具有不同步长上的模糊聚类状态转移概率矩阵的高阶马尔可夫模型,并将其应用于新型计时攻击算法。实验结果表明,该算法在成功率方面取得了较好的效果。(2)由于密码系统以及攻击平台的结构逐渐复杂,使得攻击变得日益困难,另外攻击手段也日益丰富。为了增强上述流程管理,本文将工作流技术与RSA计时攻击流程相结合,设计并实现了基于RSA计时攻击的工作流管理系统(Wf MS4RSA)。构建了RSA计时攻击任务的业务流程建模与标注(BPMN)模型,并将其实例化到基于j BPM工作流引擎平台。工作流管理系统的设计与实现,增强了攻击流程的规范性,确保了任务流程节点之间的正常流转。通过不断优化和日益完善,本文工作为接下来更复杂系统的计时攻击任务提供了保障与借鉴,同时也有利于减少攻击过程的操作成本。
出行平台首页推荐算法研究
这是一篇关于首页推荐,集成模型,马尔可夫模型,高斯混合贝叶斯,决策树的论文, 主要内容为Uber和滴滴等共享出行平台在当今的公共出行中扮演着越来越重要的位置,这不仅源于它们庞大的市场份额和服务量更在于它们提供的服务具有层次性和多样性能适应大众的需求。时至今日滴滴APP内提供的服务类型已有十多项,在用户开启APP时平台会首页推荐并展示其中一项服务的服务页面,最初的首页推荐策略是用户“最近一次使用的服务”,随着平台产品增长和用户使用习惯场景化,该方案已无法适应当前需求。据统计,滴滴平台内有30%的用户发出订单前需要切换四次服务选项卡。为了减少用户操作复杂度和操作时间,迫切需要一种新的算法可以更准确地预测用户需求向用户推荐服务。结合具体的业务场景,在预测时平台可以获取用户当前的时空特征。传统机器学习模型在基于时空特征的预测已取得了一定的成果。在本文中结合滴滴平台用户的服务选择和时空特征的相关性提出一种新的推荐算法。该算法由三个子模型集成产生,子模型分别是使用马尔可夫状态转移矩阵记录用户历史订单中不同服务间的转移概率的时序模型、使用高斯混合分布拟合用户使用产品时间分布再通过贝叶斯公式计算条件概率的时间模型以及采用决策树划分经纬度特征的空间模型。三个子模型通过bagging的方式集成为一个集成模型。预测阶段通过获取用户打开APP的时空特征做出预测,将预测结果作为首页展示的服务页面。该预测算法的实现基于python语言,数学函数库numpy、scipy以及机器学习框架sklearn。实验阶段随机抽取了北京地区20000名用户一个季度内的历史出行数据作为数据集,以这批用户最后一周的订单作为测试集脱敏处理后进行离线对比测试。使用Precision和Marco-F1 scores作为评价指标,对比分析新算法与各基准算法的表现。实验结果显示新算法相较于原始推荐方法在两个指标下都取得了较大提升。
基于Web日志挖掘的智能推荐系统研究
这是一篇关于数据挖掘,Web日志挖掘,智能推荐,马尔可夫模型的论文, 主要内容为随着互联网技术的日益普及,网络被更加广泛的应用于人们生活、学习的各个领域。由于互连网上信息资源的极大丰富,信息服务的个性化越来越引起人们的重视。同时人们对信息获取的目的逐渐从查全转变为查准,满足特定用户的特定信息需求成为信息服务在新的网络环境中的服务目标。智能推荐系统(Intelligent Recommendation System)就在这个背景下应运而生。 智能推荐系统是在互联网上使用数据挖掘,人工智能等技术,为客户提供智能化、个性化的服务,它能够向客户推荐页面或产品,并可以引导客户有针对性的对网页信息或某些产品信息进行关注。 推荐系统的核心是推荐的方法,也是本文研究的重点。我们发现马尔可夫(Markov)模型简单易行,比较适合作为智能推荐系统的预测模型。但是,我们也发现了Markov模型的实现算法计算开销十分巨大,于是提出和聚类方法相结合的改进Markov方法,同时在算法中增加对页面访问时间和个体用户偏好的计算。新的方法首先有效降低了Markov方法的计算规模,提高了预测的效率。两个新的计算点的引入在一定的计算代价的基础上提高了预测的准确率。 本文在最后,提出一个采用多Agent的智能推荐系统架构,并用本文研究的Markov模型方法对其主要功能做了阐述。
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：毕设导航 ，原文地址：https://bishedaima.com/lunwen/53969.html
