推荐5篇关于遗忘函数的计算机专业论文

今天分享的是关于遗忘函数的5篇计算机毕业论文范文, 如果你的论文涉及到遗忘函数等主题,本文能够帮助到你

动态混合新闻推荐系统的研究与实现

这是一篇关于推荐系统,新闻推荐,遗忘函数,加权混合,动态调整的论文, 主要内容为随着科技的发展和网络的普及,在线新闻数量呈指数型爆炸式增长,信息过载的现象日益严重,导致读者很难找到自己所需要的内容。为了解决这一问题,人们发明了个性化新闻推荐系统并取得了良好的效果。本课题对当前主流的个性化新闻推荐系统进行了分析研究,针对推荐中存在的用户兴趣迁移和新闻新鲜度变化问题,提出了优化解决方法,在此基础上设计并实现了动态混合新闻推荐系统。本文的主要工作包括:(1)分析了用户兴趣变化产生的原因,提出了基于时间遗忘的用户兴趣建模方法,使用户的兴趣建模结果更能体现出其当前的关注和喜好。考虑到不同年龄段的读者兴趣变化特点不同,通过改变遗忘权重调控因子来构造符合不同年龄段兴趣变化的时间遗忘函数。并以此优化了基于内容和基于协同过滤的新闻推荐模型,然后将两者计算预测的结果加权组合进行混合新闻推荐。(2)对真实新闻数据集进行了深入研究,发现了用户对新闻的新鲜度有着较高的需求,提出了基于新闻新鲜度变化的动态纠正机制,使推荐模型能根据新闻新鲜度的变化动态地调整用户待推荐列表中各个新闻的推荐权重。本文还设计了同时考虑时间和数量的近期新闻选取方法,该方法可以较好地筛选出有较高推荐价值的近期新闻,来提高推荐的准确性。(3)将本文提出的动态混合新闻推荐模型与几个流行的新闻推荐模型进行对比,并通过AB测试,验证了以上所提方法的正确性及实用性,且实验研究了不同遗忘权重调控因子和新鲜度衰减因子对模型推荐效果的影响。(4)设计并实现了动态混合新闻推荐系统。该系统融合了基于时间遗忘的混合推荐算法、基于新闻新鲜度变化的动态调节机制和近期新闻选取方法。经过测试,系统的各个模块均能正常运行,可以满足用户的基本使用需求。

基于用户兴趣建模的协同过滤推荐方法研究

这是一篇关于用户兴趣,遗忘函数,k-means聚类,协同过滤的论文, 主要内容为互联网时代,伴随电子商务网站与社交媒体平台的飞速发展,用户、商品、评论等各类信息呈爆炸式增长。面对海量、复杂信息,用户高效获取有用信息变得更加困难,信息过载问题日益突出。为了有效缓解信息过载问题,个性化推荐技术应运而生。该技术通过分析用户的历史行为信息及其相关偏好,将可能会被用户喜欢的产品、信息或服务推荐给用户,在提升用户信息获取效率的同时,增强了用户黏性,促进了相关利益主体的业绩提升。协同过滤推荐方法作为应用最广泛的个性化推荐技术之一,受到学术界与产业界的重点关注。从现有研究进展来看,尽管协同过滤推荐技术取得了系列有价值的研究成果,但数据稀疏、用户兴趣漂移等难题仍然制约着其推荐性能的提升。本文面向数据稀疏、用户兴趣漂移等难题,以用户兴趣的深入分析为切入,通过融合用户的项目属性偏好与兴趣变化信息,综合运用非线性遗忘函数、k-means聚类等方法,建立了基于用户兴趣建模的协同过滤推荐算法。主要的研究成果如下:(1)面向数据稀疏问题,着眼于更为细致的考虑用户兴趣,本文基于用户评分信息与项目属性信息的融合,将用户-项目评分矩阵转化为用户-项目属性偏好矩阵,降低了矩阵的稀疏程度。(2)面向用户兴趣漂移问题,以艾宾浩斯遗忘曲线为理论基础,本文引入不同年龄段的非线性遗忘函数,更细致地刻画用户的兴趣变化,为优化最近邻居集的相似性计算提供支撑。(3)基于用户的项目属性偏好向量,运用k-means聚类算法对用户进行分类,通过在类内寻找目标用户的最近邻,给出相应地最近邻居集获取方法,进而提出本文的推荐生成准则。在此基础上,本文从MovieLens网站ml-100k公开数据集中随机抽取100个用户对1682部电影的11249条评分数据作为实验数据基础,通过6组比较实验验证了本文方法的有效性与稳定性。总体来看,本文围绕用户兴趣更为细致的刻画,开展了协同过滤推荐方法的研究。研究成果对于应对推荐系统中的数据稀疏、用户兴趣漂移难题具有一定的理论价值,在电商网站等个性化推荐领域具有较好的应用价值。

基于Web数据挖掘的个性化推荐系统研究

这是一篇关于web数据挖掘,协同过滤,遗忘函数,聚类,奇异值降维的论文, 主要内容为随着互联网发展和电子商务规模不断的扩大,信息过载问题日益的严重。个性化推荐系统是一种解决信息过载问题的有效方法,它能够主动的去为用户推荐个性化信息并动态的根据用户需求做出调整。现在个性化推荐系统已经成为电子商务系统不可或缺的一部分。本文首先对web数据挖掘和个性化推荐相关技术做了研究,并对个性化推荐系统存在的不足做了分析。针对个性化推荐系统冷启动和矩阵稀疏的问题,采用Web数据挖掘的方法对用户收藏、浏览或产生关联的商品进行隐式评分,同时提出了一种基于K-means聚类和SVD降维的混合协同过滤方法。通过实验对比分析,发现改进后的协同过滤方法不仅缓解了冷启动和矩阵稀疏的问题,在推荐精度方面也得到了改善。针对个性化推荐系统推荐漂移问题,提出了一种基于时间遗忘函数的数据加权方法,构建能够反映出用户兴趣变化的评分机制,加权后的评价信息更符合人的遗忘规律,推荐算法也会根据用户兴趣变化智能的做出调整,在一定程度上缓解了用户兴趣偏移的问题。最后,对基于Web数据挖掘的个性化推荐系统从功能、结构等角度进行了设计,并对推荐引擎做出了改进。

基于遗忘函数和多属性特征提取的矩阵分解推荐算法研究

这是一篇关于矩阵分解,遗忘函数,用户属性,优化模型,推荐系统的论文, 主要内容为复杂网络研究已渗透到数理学科、生命学科、工程学科等不同领域,个性化推荐是复杂网络研究中最为广泛的研究课题之一,在解决信息过载、挖掘人们兴趣爱好等方面都有重要影响和作用.近年来,各种推荐算法应运而生,协同过滤算法是最受欢迎的一种推荐算法,但是仍存在冷启动、稀疏性、时效性等问题.在传统协同过滤的基础上,融入矩阵分解技术可以大大减少计算复杂度,在一定程度上解决冷启动、稀疏性的问题.本文以遗忘函数和多属性特征提取的矩阵分解作为主要研究内容,将遗忘函数融入历史评分,使已有评分信息更具有效性,进而提取用户特征属性寻找相似用户,最终建立优化模型进行矩阵分解,给出用户更好的推荐.(1)基于遗忘函数和用户属性特征提取的矩阵分解推荐算法.首先,考虑时间对于推荐结果的影响,根据人的遗忘曲线拟合新的遗忘函数,对原始评分做平滑.其次,考虑到用户属性的合理应用会更精确地做推荐,利用用户各种属性分量的结合表示用户之间的关系,再通过用户之间关系和原始评分的融合表示用户与项目之间的关系.最后将时间信息和属性信息融入到本章构建的矩阵分解优化模型中进行矩阵恢复,并且理论证明该算法的收敛性.通过实验仿真,在已有的算法基础上验证该算法的推荐精度高,(2)基于时间影响权重的矩阵分解推荐算法研究.本文针对时间信息对于评分的影响,对不同时间的评分进行拟合,构建了时间影响的连续函数.又考虑某些人会对项目的兴趣变化随时间变化较慢,所以保留原来的评分矩阵.最后将时间影响后的评分矩阵和原始评分矩阵综合考虑,构建新的矩阵分解优化模型.通过实验模拟,与已有较优的矩阵分解算法进行比较,在推荐评测指标上验证该算法的有效性。