给大家推荐6篇关于兴趣度的计算机专业论文

今天分享的是关于兴趣度的6篇计算机毕业论文范文, 如果你的论文涉及到兴趣度等主题,本文能够帮助到你

基于用户上网数据的电影个性化推荐系统研究

这是一篇关于个性化推荐系统,电影知识图谱,兴趣度,兴趣模型的论文, 主要内容为近十年间,随着互联网逐渐在社会普及,信息爆炸现象日益明显,各行业各领域用户不断为互联网提供信息输送,使得互联网成为一个无所不包、无所不含的信息汇聚体,而互联网用户很难从其中快速地找到契合自己兴趣的信息;每个用户在使用搜索引擎检索信息时,同一个关键字得到的结果是相同的,而用户对信息的需求是多元化和个性化的,因此,传统的同质化的搜索引擎为代表的信息检索系统已不能满足用户千人千面的需求,个性化推荐系统在这种背景下走到了台前。个性化推荐系统通过挖掘用户的历史行为数据,从中提取出与兴趣相关的记录,根据一定的规则算法计算用户的兴趣点,然后主动向用户进行信息的个性化推送,从而解决了信息量大和信息选择困难之间的矛盾。推荐系统通过长期追踪用户历史行为,不断更新与迭代用户兴趣,使推荐的信息始终与用户的兴趣点相贴合,让用户更加方便的获取到自己感兴趣的信息,最终目的是实现针对用户全方位的个性化定制推送。本文讲述了如何构建出完整电影知识图谱的方法,从而可以结构化描述用户行为;同时根据用户的观影行为特征和电影本身的属性,将电影分为独立电影和系列电影,更细粒度的构建电影知识图谱,同时提出了一套发掘电影系列的实现算法。基础数据为用户的上网请求,在不需要用户参与的情况下获得用户的电影兴趣行为,避免了用户主观选择存在的不全面、不方便等问题,通过分析和处理用户的原始上网请求,从中提取出与电影相关的上网数据,然后根据电影知识图谱将用户上网行为一一映射为用户兴趣行为,达到提取用户兴趣的目的。基于TF-IDF算法计算用户各维度元素兴趣度,构建向量形式的用户兴趣模型,然后根据用户对某电影各要素的兴趣度,计算出用户对该电影的总兴趣度。最后,通过实验分析,证明了本文所提方案的高召回率和准确率。

基于用户行为反馈的推荐算法的研究

这是一篇关于电商平台,行为模型,推荐算法,反馈,兴趣度的论文, 主要内容为随着计算机技术的不断发展,每天都有海量的信息持续更新和增加,面对互联网上纷杂的数据,人们通常难以从其中找到自己真正需要的信息资源,推荐算法因此被提出。推荐算法能够根据用户以往的行为及评分预测出用户偏好,针对当前用户生成一个独一无二的推荐列表,主动引导用户对信息的发现。目前大部分的推荐算法利用的都是用户的显式反馈(比如评分),但这些显式反馈收集难度大且真实性无法保证。实际上,探究用户对物品的兴趣还可以依靠存在Web日志中的大量隐式反馈。就电商平台而言,用户从搜索到下单必然产生许多中间数据——点击、浏览、关注、收藏、加购等等,这些行为数据在未被用户察觉的情况下收集,能够真实可靠地反映用户兴趣,且这些行为数据能够实时更新,因此基于用户行为的推荐算法具有重要的研究价值。本文对推荐算法国内外发展现状、常用数据集以及测评指标进行了充分的调研,并分析了现有研究成果的不足,开展了如下工作:(1)要利用行为数据进行推荐,首先要建立起用户行为与用户兴趣间的联系,将用户行为量化表示,这需要对用户行为进行深入理解与分析,准确挖掘行为和兴趣间的隐含关系。一般的算法都是直接人为地给用户行为赋予分数,这种方法十分粗糙,可解释性差,造成行为模型不能够准确表示用户兴趣度。因此,本文提出了一种能准确衡量用户兴趣度的用户行为模型。该模型充分分析了行为产生的动机,利用主观G1法和客观熵值法两种方式给行为赋权,并结合时间因素对模型造成的影响,提高了模型的准确性,为如何利用行为数据提供了新的解决思路。实验结果表明,用户行为模型降低了人为赋权所导致的误差,提高了的推荐结果准确性。(2)基于用户行为的推荐算法受平台或数据集的限制一般都是离线定期更新,但在现实生活中用户兴趣每时每刻都在发生改变,因此体现着用户兴趣的行为模型也应该不断变化,这对算法的时间复杂度提出了更高的要求。内在兴趣的变化影响着外在行为的表达,因此系统收集到的反馈也在实时更新着,因此我们将利用这些源源不断的反馈修正模型,利用矩阵分解达到模型的动态更新,并在此基础上提出了一种基于用户行为反馈的推荐算法。实验结果表明,该算法能够有效提高模型的更新速度,也进一步提高了推荐结果的准确性。

关联分类算法及其在电子商务推荐系统中的应用研究

这是一篇关于数据挖掘,关联分类,兴趣度,剪枝,推荐系统的论文, 主要内容为分类和关联规则挖掘是数据挖掘领域的两个重要研究方向,二者都已经取得了比较完善的研究成果。关联分类作为一个较新的数据挖掘课题使用关联规则挖掘构建分类系统。关联分类算法使用规则发现方法从分类数据集中抽取分类规则,并通过一定的剪枝手段对规则进行剪枝,然后按照一定的规则形成分类器。由于挖掘出了数据属性和类标签之间的强关联,关联分类器往往可以达到很高的分类精确度。然而,在规则产生阶段,关联分类算法会产生大量的规则,在对规则的处理过程中,算法会需要极大的系统开销。因此,小规模的规则集以及有效的规则剪枝方法对于关联分类算法十分必要。本文提出的基于ECLAT的关联分类算法结合了压缩规则集的性质和ECLAT方法自身的特点,在挖掘类关联规则的同时引入剪枝策略,在产生规则的过程中对新产生的规则项进行置信度检测,及时删除冗余的规则和等价类,然后再对产生的规则集进行覆盖剪枝。实验表明,这种方式可以在极大地压缩初始规则集的规则数量,极大地缩短了算法运行时间并且降低了系统开销。在关联规则挖掘和关联分类算法中,兴趣度被引入用来提取规则以降低规则的数量。本文对目前比较常见的兴趣度进行了总结,并通过实验比较了不同兴趣度对于不同数据集的分类效果。实验结果表明兴趣度可减少规则的数量但没有一个兴趣度对于所有数据集都能够达到最优的分类效果。最后,本文将关联分类应用于电子商务推荐系统中。在P2P站点北洋园PT中,推荐算法使用关联分类技术,从用户的下载记录中学习分类模型,构建关联分类器,并将生成的关联分类器用于对新用户的分类中。推荐算法依据用户的分类向用户推荐与该类型相匹配的资源。关联分类在推荐系统中的应用体现了数据挖掘技术的实际意义。

基于用户行为反馈的推荐算法的研究

基于兴趣度的推荐系统研究

这是一篇关于数据挖掘,关联规则,兴趣度,协同过滤的论文, 主要内容为发达的市场经济使客户有了更多的选择余地,客户更容易流失,如何提高客户忠诚度及保持客户,如何实现交叉销售等成为营销成败的一个关键问题,对电子商务这种新的商务模式而言,更是如此。这就要求企业进行主动营销,发现客户的偏好,分析客户的购买动机,从而更好地吸引客户的注意力,满足客户的喜好,使客户感受到完全个性化的购物体验,推荐系统成为解决这一问题最有效的工具。本文首先介绍了数据挖掘理论,它是兴趣度提出的前提条件,也是推荐系统赖以实现的基础。为了发现客户的喜好,以便于更有针对性的向客户推荐商品,兴趣度的分析就成为了本文的核心部分。文中将兴趣度从主、客观二方面多因素进行阐述,同时对于常见的一些因素提出了计算方法,在此基础上提出了M-FIM多因素兴趣度建模,合理权衡构成有趣模式的多个因素中的各个指标,从而发现不同客户对商品的不同偏好,以扩展兴趣度的适用范围。协同过滤是目前在推荐系统中应用较为成功的推荐技术。但是,当系统规模(客户数量、产品种类)很大时,推荐系统中的协同过滤技术面临着严峻的挑战。为了迎接这种挑战,提高推荐系统的推荐质量和实时性,基于兴趣度的协同过滤推荐的研究引入了兴趣度,用来修剪挖掘过程中所产生的大量冗余规则,在很大程度上提高了推荐的效率和推荐的准确性;最后对于挖掘算法进行了分析,引入兴趣度后的挖掘的算法提高了挖掘效率,降低了系统的开销。本论文独创性的将兴趣度评估问题归结为一个多方案的多目标决策问题,从中得出高质量相似的客户兴趣度,使得商品推荐更加个性化。最后,对本文研究进行了全面总结,指出了存在的不足,展望了未来进一步研究的方向。