基于嵌入式Linux的仓储管理系统
这是一篇关于仓储管理系统,Linux C语言,标签,读写器,Linux的论文, 主要内容为随着电子商务技术的发展,人们对网络购物热度逐渐升温,伴随而来的问题就是仓库中物品数量的增加,这些物品如何得到有效的管理就逐渐成为人们日益关注的话题。传统仓库管理系统中存在着以下几方面的问题:仓库物品安全得不到保障,事故发生之后找不到视频证据,工作人员对仓库的具体库存不清楚,盘点货物消耗时间长,准确率低,货物的入库、出库时需要依赖手工录入物品的详细信息,这些问题严重影响了整个物流行业的工作效率,增加了企业管理的成本。在对上述存在的问题进行综合的研究和分析之后,本文依托嵌入式Linux技术、RFID射频识别技术、物联网技术和数据库技术等设计了一个物联网仓储系统。系统包含视频监控、数据库和RFID信息采集三个部分,采用基于ARM Cortex-A9芯片的IMX6开发平台作为物联网仓储系统的数据处理中心(Server),结合B/S(浏览器/服务器)架构,工作人员可以通过电脑主机PC端上的网页浏览器来查看IMX6开发平台服务器上的数据库和视频监控,通过超高频RFID读写器来读取RFID电子标签上的货物信息,然后将读取到的货物信息通过以太网络传送到IMX6开发平台数据处理中心进行数据处理和存储。本文主要的工作内容有:处理器和开发板的选取,USB摄像头的选择,基于CortexA9芯片的IMX6开发板上Linux系统的移植,WEB服务器和MJPEG-streamer视频流服务器的移植,仓储系统软件中视频监控的设计,SQLite数据库的设计,设计过程中采用的是Linux C语言和SQL语言;RFID模块中电子标签和读写器的分析和选择;最后对整个仓储系统的功能进行了测试,系统运行稳定可靠。此系统具有一定的使用价值和很好的应用前景,相信对本仓储系统的研究分析工作会对以后整个物流行业大环境的发展能起到一定的推动作用。
基于专业文档管理系统中个性化推荐方法及应用研究
这是一篇关于文档,标签,信任,图聚类,个性化推荐的论文, 主要内容为随着全球信息化建设的加速,企业的专业文档管理系统在日常运作中会积累大量的电子文档。系统中文档数量的不断增加导致用户不能快速获取所需的文档,严重影响了企业的办公效率。面对系统中海量的文档资源,针对不同用户的个性化文档推荐子系统可以高效地帮助用户发现其感兴趣的文档。本文的重点是对个性化推荐子系统中的推荐算法做进一步的改进和优化研究,并用各项实验评估数据进行对比分析来证明改进算法的有效性;同时,文中也对专业文档管理系统中存在的个性化文档推荐子系统部分进行了详细地需求分析,逻辑结构以及主要数据库设计,总体以及各项功能模块设计研究。对于原有的协同标签推荐算法而言,并没有考虑用户的配置文件信息,不能针对特定用户进行个性化推荐而且准确性也欠佳。系统在标准的协同标签推荐算法基础上,通过融入图聚类方法以及信任信息来进一步提高针对特定用户的个性化文档推荐结果准确性。本文对原算法主要做了如下两个方面改进:(1)文中在对大量的用户以及文档标签进行分类处理的过程中,通过引入近似最密集子图聚类方法将所有的标签生成若干个标签簇,使得簇内标签彼此相似且不同标签簇彼此相异,提高了原算法对大数据集的处理效率以及对未知推荐对象的挖掘能力。(2)文中将用户对不同标签簇的信任信息引入原算法中,在原算法的基础上线性组合用户的信任信息以及其对文档资源的兴趣度来生成每个文档的个性化分数。不仅能让系统针对特定用户进行个性化的文档推荐,而且在推荐结果的准确度上也有所提高。在两种不同数据集下,通过将HTGCPR算法与KMCPR、TCFR算法的各项实验数据进行对比分析和评估,结果表明个性化组合推荐方法的应用满足了用户对文档推荐实时性和准确性的要求,在一定程度上提升了用户的体验。
基于滑标评分的推荐系统模型及算法研究
这是一篇关于推荐系统,数据挖掘,标签,滑标评分,用户反馈的论文, 主要内容为随着互联网的蓬勃发展，海量的信息得以迅速传播，繁杂的物品涌现到人们面前。为不知所措的人们从这些信息和物品中选择那些最适合他们的成了当前的迫切需求。于是，推荐系统应运而生。推荐系统根据用户行为习惯、信息内容类型以及物品属性特征来向用户推荐信息和物品。例如，新闻网站使用推荐系统根据用户的阅读习惯进行新闻推荐；电子商务网站使用推荐系统根据用户的消费偏好进行产品推荐；音乐、视频网站使用推荐系统根据用户的兴趣喜好进行音乐、视频推荐；社交网站使用推荐系统根据用户的社交关系进行好友推荐。 可以看出，推荐系统已经越来越多地被应用到实际生活中，它们在提高用户的满意度的同时也带来了巨大的商业利益。然而，当前的推荐算法由于原始数据的不完整性、算法本身处理数据的特殊性以及用户行为变化的多样性，会产生诸如冷启动、可解释性差和复杂兴趣推荐困难等问题。当前已经有很多收集信息的方法被用来缓解冷启动问题，比如收集用户注册信息、收集用户反馈信息、导入用户社交信息等，但这些工作或者涉及隐私或者很难有恰当的方式，导致数据有时候并不是十分准确，也就不能很好地上解决冷启动的问题。另外也有其他的一些方法，比如基于标签的推荐方法被提出，用于改善可解释性，但是该方法由于人们使用标签的习惯不同以及标签提供的数据并不充足使得推荐效果有时候并不尽如人意。据笔者所知，当前还未有很好的方法用来解决复杂兴趣推荐问题。 针对当前方法和模型的不足，本文提出一种基于滑标评分的推荐系统模型，旨在使用一种较为简洁的方式——滑标评分，来获取用户最准确的评价和需求，通过改进当前的一些推荐算法来处理滑标评分数据，从而生成对用户的推荐，最后以滑标评分的形式向用户展示推荐结果并做出合理的解释。另外，本文模型允许用户对推荐系统所推荐的物品以滑标评分的形式进行反馈，然后推荐系统可以通过在线反馈计算，再次进行更准确的推荐。扩展实验中,针对当前推荐系统的缺陷，我们使用本文模型和算法进行了对比试验，证明了本文技术的有效性和可行性。
基于标签的个性化推荐系统的研究
这是一篇关于推荐系统,标签,准确性,新颖性的论文, 主要内容为随着信息技术和互联网的飞速发展，网络中的数据信息不断的巨增。如何快速的帮助用户在大量的数据信息中发现对他们有价值的信息，和如何让网络中的数据信息受到更多用户的关注成为有待解决的问题。而个性化推荐系统是解决该问题的一个重要工具。 最近几年，越来越多的研究者对基于标签的推荐算法开始关注。但是，传统的基于标签的推荐算法仅仅只对用户是否选择过项目进行判断，而忽略了用户对项目的行为信息的研究。并且大多数算法都把那些流行的热门的商品推荐给用户，而对影响推荐结果的项目的受欢的程度却没有考虑，从而忽略了多样性、新颖性等重要指标的衡量。针对上述问题，本文在研究分析已有的基于用户标签的推荐算法的基础上，提出了一种改进的基于标签的个性化推荐算法。主要工作包括以下几个方面： ①在推荐算法的相关技术方面做了深入调研。分析了目前几种最常用的推荐算法，并对这几种推荐算法的优劣进行了比较。其中，详细分析和研究了基于标签的推荐算法。 ②考虑到用户的标签数据对推荐新颖性和可解释性的影响，利用用户标签行为数据构成标签的推荐系统，并对不同标签下用户的推荐结果进行分析得到更合理的推荐结果。 ③为了降低给热门标签对应的热门物品很大的权重，提高推荐结果的新颖性，利用用户的标签向量对用户兴趣建模的改进，降低对热门物品打标签的次数，提高算法的新颖性和准确性。 ④采用MovieLens网站提供的数据集对改进的基于标签的推荐算法进行测试，从准确性、多样性以及新颖性三个方面进行分析。实验结果表明改进算法在三个方面都有较好的表现，验证了算法的可行性和有效性。
考虑社交关系和标签的景点个性化推荐算法研究
这是一篇关于个性化推荐,信任度,标签,用户兴趣,景点推荐的论文, 主要内容为随着互联网的快速发展,人们可以在各种在线旅游平台便利地挑选旅游产品并制定出行计划。据艾瑞咨询检测的数据可知,2017年中国的在线旅游交易市场的规模达7384.1亿元,比上年同期增长24.3%,在线旅游OTA市场交易规模为400.0亿元,较2016年增长34%,未来在线旅游所占的比重还将进一步加大。然而伴随着互联网技术的不断发展,严重的系统信息过载难题对用户造成了困扰,用户很难快速从巨量的结果信息中检索出自己想要的旅游信息。目前国内的在线旅游服务电商平台基本停留在简单的信息搜索上,旅游服务单一,旅游线路、景点介绍内容固定,描述方式粗浅,无法满足用户个性化的需求。另一方面,这些平台为用户提供旅游产品搜索服务时,检索结果大多按整体评分排序,忽略了用户本身兴趣度,用户无法获取符合其个性化兴趣的服务。针对现有的景点推荐算法在处理用户关系时忽视了用户隐性信任和信任传递问题,以及在新城市情景中用户历史浏览行为数据缺失导致无法准确推荐的情况,本文提出了一种综合用户信任关系和标签偏好的个性化景点推荐方法。首先在仅仅考虑用户相似度时推荐质量差的情况下引入信任度,通过挖掘用户隐性信任关系解决了现有研究在直接信任难以获取时无法做出推荐的情况,有效缓解了数据稀疏性和冷启动问题。其次在用户兴趣分析过程中将景点和标签的关系扩展到了用户、景点和标签三者的相互关系,把用户的兴趣偏好分解成对不同景点标签的长期偏好,有效地缓解了缺乏用户历史游览记录时推荐质量不佳的问题。最后在Flickr网站上收集的数据进行实验验证,结果表明本文提出的混合推荐算法有效地提高了推荐精度,在一定程度上缓解了冷启动和新城市问题。
基于集体智慧的标签推荐系统的设计与开发
这是一篇关于个性化推荐,集体智慧,标签,标签聚类的论文, 主要内容为21世纪是网络快速发展的时代,也是用户创造智慧的时代。网络给我们提供了无限多的资源去选择、分享,同时也带来了信息过载的问题,近年来在电子商务领域取得飞速发展的个性化推荐技术是解决这一问题的较好方案。Web2.0时代最大的特征是“以用户为中心”,集体智慧作为这个时代的核心价值观,突出显示了用户的重要性。而社会化标注既是网络环境下集体智慧的典型类型,也是Web2.0时代的标志性应用之一。因此标签为个性化资源推荐带来了新的机遇,其反映了用户对资源的偏好,也是资源特征的关键词描述。 本文主要研究如何在社会性标签系统中使用标签信息对用户进行个性化推荐,主要完成了以下5项工作： (1)介绍了选题背景,突出基于集体智慧的标签推荐系统的设计和开发的必要性和迫切性,同时分析了目前国内外集体智慧和标签推荐系统取得的成就和存在问题,并针对这些问题设计了可行性的实施方案。 (2)介绍了集体智慧、标签系统、标签推荐系统的相关理论,以及协同过滤推荐技术、基于内容的推荐技术和混合推荐技术各自的特点。 (3)依据标签推荐系统功能的要求设计了4种标签推荐算法：PopularTags(系统中最热门的标签推荐算法)、ItemPopularTags(某个资源上最热门的标签推荐算法)、UserPopularTags(用户自己经常使用的标签推荐算法)和TagBaseSIM(改进的基于内容的标签推荐算法)。重点介绍了TagBaseSIM算法,该算法是在传统的基于内容的标签推荐算法上进行的改进,首先利用用户模型和资源模型得到该用户的偏好信息；然后将目标用户标注的所有资源的特征项以及与其相似资源的标签作为候选标签集；同时对候选标签集进行聚类分析,得到各个标签簇和资源的相似度；最后根据相似度的大小向用户推荐N个标签簇中相似度最大的标签列表。由于标签数据自身可能出现标签模糊和冗余,该方法采用标签聚类分析方法(K-means)可以有效降低此问题对于推荐质量的影响。 (4)在数据挖掘平台Sql Server2005和Weka平台上,借助于社会化书签标记系统Delicious真实数据集,采用离线实验方法进行十次十折交叉验证实验,在这些数据集上首先分别对前三个算法进行实验,得到各个个算法的准确率、召回率和综合评价指标F1值；然后对本文提出的改进的基于内容的推荐算法和传统的基于内容推荐方法进行对照实验,结果显示,改进的基于内容的推荐算法具有更好的推荐精度。 (5)在MyEclipse平台上结合MySql数据库管理软件设计开发了针对于“信息技术教师成长发展”这一主题的一个标签推荐系统,该系统在不同的页面中使用了文中提出的四种标签推荐算法,实现向用户推荐不同的标签列表,克服了冷启动的问题。
基于MVC模式的Struts框架的研究与应用
这是一篇关于Struts框架,MVC模式,Servlet,JSP,标签的论文, 主要内容为在如今的Internet时代,为了可以更方便快捷地设计与开发Web应用程序,更好地解决开发过程中业务和显示逻辑混淆不清的问题,Struts框架被基于MVC设计模式所引用。Struts对提高Web应用的开发速度做出很大贡献,如果在Web应用中使用Struts,开发人员将把从头开始设计框架的时间节省下来,进而把精力集中在如何解决实际的业务问题上。 本文首先详细介绍Struts以及相关技术,充分了解Struts等相关技术在Web应用开发中所起到的作用。再根据一个网上书店的实例模块来系统阐述Struts在Web应用中发挥的作用,搭建出一个完整的、优秀的Struts开发框架。 本文中的实例模块名为网上书店,是基于J2EE的多层体系结构开发一套Web应用。在对系统开发背景进行充分了解得基础之上,分析了与传统书店相比具备的优势之后对系统进行了可行性研究,并制定出系统的总体框架,该系统包括用户管理模块,主要为用户提供用户名注册、修改个人信息和管理员操作功能它包括前台和后台两个处理过程,其中前台主要为用户提供服务,后台主要由管理员进行操作;图书管理模块,管理员可以通过此模块删除、修改图书的信息,并且可以录入新的图书信息,主要以列表形式显示从数据库中查询的图书信息;图书搜索模块,管理员或普通用户可以通过该模块搜索并查看数据库中的图书信息,图书信息以列表形式显示出来,用户可在页面中进行购买、查看图书内容等操作;图书选购模块,用户通过此模块可以完成购买图书的流程,购买流程中可使用购物车暂时存放要购买的图书,也可以进行修改购买图书数量的操作;订单处理模块,本模块主要为管理员提供对数据库中的订单信息进行查看、删除、修改等操作,同时可完成用户提交订单的操作;用户帮助中心模块,用户可从该模块中可获取客户服务电话以便联系管理员。系统中的模块基本涵盖了网上书店具有的几大优势;同时在对实例所用到的相关技术进行描述时也会介绍一些在模块中运用的其他框架和技术,重点是介绍在实例模块中如何搭建Struts框架以及Struts框架所起到的作用。论文利用数据字典描述了系统数据库所需的实体内容,其中主要包括用户表和图书表。 本文首先会对Struts框架进行总体的概述,阐明在开发Web应用时使用Struts框架的意义。其次会对开发实例模块时所使用的开发工具和相关软件的运行平台做一个总体的介绍,该系统使用的数据库软件是IBM公司开发的DB2;同时系统采用Eclipse开发平台,它是一个开放源码的,可扩展的应用开发平台,为编程人员提供了Java的集成开发环境;服务器则选用的是在Sun公司的JSWDK的基础上发展起来的一款优秀的Servlet/JSP容器,即Tomcat服务器。然后对在开发实例模块时所使用的相关技术进行详细的介绍,包括系统模式B/S结构、Servlet、JSP、MVC、JDBC、Java语言以及与软硬件等相关技术支持内容,这部分是本论文的一个重点,在这里将对Struts框架各部分组件以及运行流程做一个详细的介绍。最后将会对实例模块中各部分的功能进行详细描述,并展示各部分的实例图片;同时会根据前一章对Struts组件以及运行流程的描述来展示Struts框架在实例模块中所起到的作用,这部分是本文的另一个重点,这里将会完成对Struts框架的研究与应用。
基于Spark的个性化音乐推荐系统的设计与实现
这是一篇关于Spark,音乐推荐,推荐系统,标签的论文, 主要内容为在互联网的发展潮流中,音乐无疑扮演着一个非常重要的角色。各大音乐平台为消费者提供了无数的音乐作品,让人们可以每时每刻沉浸在音乐的海洋中。但是,随着互联网资源的日趋丰富,海量的数据常常让用户难以找到自己真正需求的音乐。一个优秀的音乐推荐系统可以很好的解决这个问题,在给用户推荐适合歌曲的同时,还能够为平台方吸引用户,增加商业利益。推荐技术日趋成熟,主流的推荐技术包括协同过滤推荐技术和基于内容的推荐技术,这些技术能够给用户在大量的数据中推荐适合用户或是用户喜欢的物品。但是随着互联网的发展,数据爆炸式增长,传统的推荐系统无法满足大数据下计算的需求,在准确度上也不容乐观。本文对音乐推荐系统进行了深入研究,开发出一个以Spark平台为计算引擎的推荐系统来解决大数据环境下的音乐推荐问题。本文在Spark平台上设计并实现两种推荐算法:基于聚类的ALS模型推荐算法和基于标签的图推荐算法。前者通过并行混合Spark MLlib的ALS推荐算法以及Kmeans聚类算法,解决推荐系统的新用户冷启动问题,通过深度调优Spark计算流程,提高计算效率,减少计算耗时;后者在Personal Rank算法基础上,基于Spark平台,利用音乐标签实现基于图模型的音乐推荐算法,并使用TF-IDF(词频-逆文档频率)算法解决音乐、标签中存在的长尾分布问题,优化推荐效果。最后本文通过搭建Spark计算集群,设计底层存储,基于Spring Boot、Vue框架设计前后端交互,将推荐引擎与底层系统、Java Web的对接,打造出一个完整的可交互个性化音乐推荐系统。经过测试评估,该系统能够满足用户需求并具有良好的推荐效果。
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：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/45314.html
