给大家推荐5篇关于全局信息的计算机专业论文

今天分享的是关于全局信息的5篇计算机毕业论文范文, 如果你的论文涉及到全局信息等主题,本文能够帮助到你

基于全局信息的商品会话序列推荐算法研究

这是一篇关于推荐系统,会话序列,全局信息,偏好传播,聚类的论文, 主要内容为随着各大电商平台的不断发展,在线商品数量达到空前规模,推荐系统的作用显得尤为突出。协同过滤算法作为一种应用较广、经典有效的推荐方法,主要思想是利用已有的交互数据,预测当前用户可能喜欢的商品。已有的协同过滤推荐需要维护用户与商品的交互矩阵,对新用户与匿名用户推荐效果欠佳;此外用户历史的长期、静态偏好与其短期的、动态偏好的不一致,也影响推荐的准确性。近年来提出的基于会话序列的商品推荐可以弥补传统推荐算法的上述不足。基于会话序列的商品推荐通过用户已有的点击序列信息预测并推荐下一个可能点击的商品项目。目前,既能满足为匿名用户服务又有较好推荐准确率的会话序列推荐算法是亟需研究的问题。本文提出一种适用于匿名用户,基于全局信息的商品会话序列推荐算法。主要工作内容如下:1.为了综合考虑全局商品项目转移关系,提出了构建商品项目全局有向图来表示项目之间复杂的关系的方法。首先对会话序列数据进行处理,然后构建全局有向图,并导入Neo4j图数据库中。图中节点为商品项目,节点间有向边代表商品项目的点击次序,边上带有对应点击次序的权重数据。2.为了充分利用待推荐会话的历史商品项目,提出了全局偏好传播的评分策略以获得会话中多个商品项目的全局影响,并通过提高紧邻点击项目对应的参数来扩大会话紧邻项目的全局影响。在通过基于权重数据与基于入度数据的方式对待推荐项目评分时,先将权重数据和入度数据进行聚类处理,然后将各类别商品项目重新标注适当大小,避免数据值差别过大对计算的不良影响。在实验部分,使用了各种参数组合来验证本文提出偏好传播评分策略的有效性。3.在Diginetica与Yoochoose标准数据集上的实验证明,本文算法依据P@20标准,比传统Item-KNN算法推荐准确率提升了6.12%和30.34%,依据MRR@20标准则提升了15.04%和13.06%,实验结果表明本文提出的全局有向图搜索和评分策略是有效的。

融合属性和全局信息的多兴趣序列推荐

这是一篇关于序列推荐,属性序列,全局信息,多兴趣模型的论文, 主要内容为随着互联网的快速发展,推荐系统引起了学术界和工业界的极大关注。作为解决信息过载的一个有力工具,推荐系统根据用户的历史交互记录,对用户兴趣进行建模,发掘潜在的兴趣,并推荐用户可能感兴趣的项目。近年来,基于多兴趣的序列推荐成为一个研究热点。与单一兴趣模型相比,多兴趣模型根据用户的历史交互序列,从不同方面提取多个潜在兴趣。然而,现有的这些方法存在以下两个问题:1)在现实生活中,用户通常是因为项目的某些属性而交互它,将项目视为提取兴趣的基本单元无法获取用户更加细粒度的兴趣;2)另一方面,每个交互都是用户兴趣驱使下的结果,观察到的交互记录只是用户完整兴趣的部分体现,因此直接从交互序列提取到的兴趣不能刻画用户完整的兴趣。本文从项目自身属性信息和项目之间的全局信息角度出发,提出了一个新的融合属性和全局信息的多兴趣序列推荐模型(AGRec),通过充分利用属性信息和全局信息来学习到更加细粒度和更完整的用户兴趣表示。具体来说,为了学习到用户更加细粒度的兴趣,首先根据项目的属性信息,由项目序列生成对应的属性序列,然后应用一个基于图卷积网络的属性关系学习层聚合属性的邻居项目信息,再使用基于自注意力机制的多兴趣提取层从属性序列中提取多个细粒度的用户兴趣;而为了学习用户更加完整的兴趣表示,本文根据训练集中所有用户的交互序列构造全局图,然后应用图卷积网络对全局图中的邻居信息进行聚合,再使用同样的多兴趣提取层从项目序列中提取多个更加完整的用户兴趣。最后对两个层级上提取的多个兴趣进行有效的融合后,用于模型训练与模型预测。在Amazon、Movie Lens、Yelp三个公开数据集上充分的实验结果表明AGRec模型显著优于其他的对照方法。与对照方法中最好的性能相比,AGRec模型的评价指标HR@5分别提升了6.56%、0.99%、4.93%。