基于领域信任及不信任的社会化推荐研究与应用
这是一篇关于推荐系统,社会化推荐,奇异值分解,领域信任不信任关系,组推荐的论文, 主要内容为在目前计算机与网络发达的时代,每分每秒都产生着数量大且维度多的数据信息。面对信息过载的问题,人们可以利用推荐系统对信息进行快速且精准地选择,但在实际使用中,存在数据稀疏性与冷启动等问题。随着社交网络规模与用户历史行为数据爆炸式增长,社会化推荐系统成为近几年研究热点。但目前存在的社会化推荐算法很少考虑到用户的不信任关系,也忽略了社交关系与用户评分的领域相关性。通过分析社会化推荐的国内外研究现状,本文在社交网络中融入不信任关系,并且考虑到全局影响力以及信任关系的领域性问题,利用不信任关系对社交关系进行修正,并结合组推荐的概念,对用户进行聚类。然后根据用户的评分特征和用户聚类结果,计算出用户间的领域相关性,再利用考虑了不信任关系的全局影响力,对目标用户的信任好友进行筛选,通过实验证明所提算法在提高推荐质量和缓解冷启动问题上都有一定的作用。最后,以此算法作为推荐系统的核心模块,构建了一个社会化推荐原型系统。本文的主要工作包括:(1)论述本文研究工作的发展背景,首先介绍国内推荐系统的研究现状,总结该领域目前存在的问题,在此基础上阐明了本文的研究重点以及该研究的意义。(2)针对传统社会化推荐中对不信任社交关系忽视的问题,考虑信任关系的领域相关性,以及不信任关系对用户全局影响力的影响,对用户社交好友进行筛选,修正了用户的社交影响力,提出一种基于领域信任及不信任的奇异值分解算法。(3)针对传统社会化推荐中只对单个用户进行推荐计算的问题,根据组推荐的概念,将用户按照评分习惯进行聚类,并根据聚类结果对信任的领域相关性的计算方法进行改进,通过实验的对比分析,验证该算法在提高推荐质量上的有效性。(4)以上述基于融合组推荐的领域信任及不信任的社会化推荐算法作为推荐系统的核心推荐模型,搭建一个结合用户聚类及领域社交关系的推荐原型系统,并在一个商品点评平台中进行应用。
电子商务推荐系统中协同过滤技术的研究
这是一篇关于协同过滤,推荐系统,冷启动,商品层次,奇异值分解的论文, 主要内容为个性化推荐系统在电子商务领域具有良好的应用前景,是电子商务技术中重要的研究内容。推荐系统通过预测用户的喜好对用户做出推荐,为用户进行信息过滤。协同过滤是经常被采用的解决信息过载问题的方法,是个性化推荐的主要方法之一。传统的协同过滤主要存在着:精确性、数据稀疏与冷启动的问题。 本文首先介绍了电子商务与电子商务中个性化推荐的相关概念,接着对传统协同过滤方法中存在的问题进行进一步的分析,在分析的基础上,对传统协同过滤方法提出相应的改进方法。 传统协同过滤算法在构建用户评估矩阵时,对用户未评分的项目简单填充固定值。本文利用电子商务系统中商品属于不同层次的特点,通过计算商品所属层次的RF/IRF值,将RF/IRF值高层次中商品填入特定值。从而在一定程度上解决数据稀疏性和冷启动问题。通过对传统协同过滤项目推荐公式的扩展,不再局限于最近邻居用户对某个商品的评价,而是将所有用户评价整体考虑到推荐当中。对于协同过滤技术面临的扩展性问题,对Sarwar等人提出的基于奇异值分解的协同过滤进行改进。最后通过实验,分析新提出的算法在各个评价指标上的表现。 本文还将新提出的算法应用到实际的环境中,在江西省新华书店的基于Agent的个性化出版物信息服务系统的课题中使用该算法。
基于SVD与SVM混合推荐的电影推荐系统的研究
这是一篇关于奇异值分解,支持向量机,K近邻,协同过滤,推荐系统的论文, 主要内容为随着互联网2.0时代的到来,用户的各类网络信息数据与日俱增,信息过载的问题日益严重。对于单个用户而言,从纷繁复杂的网络世界中快速捕捉到自己需要的信息越来越难;对于产品提供方而言,如何集成所有用户的信息并迅速地挖掘到用户的个人潜在需求,把用户可能感兴趣的产品及时推送给用户成为大数据时代下精准营销的一大技术难题。个性化推荐技术作为解决信息过载的有效手段和重要工具应运而生,在电子商务领域及各类社交媒体平台展现出了良好的应用前景。其中,协同过滤推荐技术作为应用最早也最广泛的个性化推荐技术之一,在实际应用中取得了巨大的成功,但仍然面临着数据稀疏与冷启动,可扩展性差等制约推荐精度的严峻的问题。个性化推荐发展到现在,已经有大量优秀的专家学者提出了很多不同的算法模型来解决传统协同过滤的这些缺陷,其中混合推荐算法因其能够有效缓解传统协同过滤推荐手段单一,推荐效率不高等缺陷而成为推荐算法研究领域的热门方向,受到了越来越多的关注。本文提出的基于奇异值分解与支持向量机的混合推荐算法对传统协同过滤算法进行了一些相应的改进,主要工作如下:1.针对推荐系统中用户-项目评分数据的稀疏性问题,提出采用矩阵分解技术降维来最大化提取有效信息,分解得到三个稠密的包含用户对项目偏好信息的奇异矩阵,有效地缓解了原始评分矩阵的极端稀疏情况;2.针对推荐系统中用户及项目数量急剧增长引发的可扩展性差的问题,利用奇异值分解技术抽取用户-项目数据的关键特征,降低用户或项目的奇异向量维数,相比传统协同过滤一定程度上降低了相似度矩阵的计算复杂度,较好地解决了可扩展性差的问题;3.为了避免推荐系统用户及项目数量庞大导致的内存损耗问题,提出基于SVD及SVM的混合推荐算法,只需存储奇异值分解后的用户或者项目的奇异矩阵,用户或项目的特征向量维数大大降低,保证了推荐精确度的同时,节省了更多存储空间,这对于拥有浩如烟海数据的推荐系统无疑具有十分重大的意义;4.在Movie Lens数据集上进行的实证表明,本文提出的基于奇异值分解和SVM的混合推荐算法确实一定程度上缓解了数据稀疏,可扩展性差及推荐精度不高的问题。
MREx核磁测井数据处理方法研究;MREx核磁测井数据处理方法研究
这是一篇关于MREx核磁测井,数据处理,奇异值分解,流体性质分析的论文, 主要内容为核磁共振测井技术是上个世纪九十年代世界测井行业的重大技术进步之一,为复杂油气藏勘探开发提供了全新的解决方案。MREx核磁共振测井仪是我国引进的先进核磁共振测井仪器。由于该仪器推出较快,硬件和软件都不完善,且由于处理解释软件所适用的地质条件跟我国实际也有较大差异等原因,在数据处理和解释中遇到了一些难题。如果这些问题不解决,必将大大影响该技术在我国的应用。 本文在深入研究核磁测井基本理论的基础上,通过调研国内外核磁测井资料与应用实例,对MREx核磁测井资料数据处理的整个流程和其中的关键技术进行了研究。 数据提取和原始回波串生成方面,对MREx仪器探测特性、观测模式、数据记录格式等方面进行了剖析,弄清了数据采集及存储细节,实现了对原始记录信息的提取。对MREx核磁数据回波生成一系列关键技术,包括相位校正、回波叠加、标准组组合、时深转换等进行了研究,掌握了从时间域原始信号到深度域的回波串信号的处理技术。 回波串反演方面,研究了利用核磁测井回波串进行T2谱反演的数学模型和奇异值分解方法。采用奇异值分解的一种改进方法反演T2谱,满足了现场资料处理的需要。 储层参数计算方面,研究了利用核磁资料处理计算孔隙度、渗透率等储层基本参数的方法,并通过变T2截止值和DMR、SMR技术提高参数的求取精度。 流体定性分析和定量计算方面,结合典型油气水层特征,分析了移谱、差谱法的原理及适用条件。定量计算从回波串信息处理和T2谱信息处理两个方面展开。基于回波串处理的定量计算利用的是双TW测井资料回波串差,基于T2谱信息处理包括利用双TE资料扩散分析、多G·TE资料扩散分析及多G·TE资料T2谱联合反演3种方法。其中,将快速模拟退火算法用于回波串差的两相搜索,得到了较好的效果。 在上述研究工作的基础上,通过实例井的处理分析对方法进行了验证。
基于深度学习的推荐算法研究
这是一篇关于深度学习,奇异值分解,多层感知器,卷积神经网络,协同过滤的论文, 主要内容为随着信息技术的快速发展,人们关心的问题是怎样从海量的数据中获取有效的信息。如电商产业,提供各种各样的选项使得用户无法快速的进行信息获取。因此,出现了推荐系统,该系统为平台和用户都带来了便利。传统的推荐算法主要是利用用户的历史行为记录和兴趣以及项目特征数据,分析用户潜在特征偏好,将分析得到的推荐列表推荐给用户。但是,传统的推荐算法存在着数据稀疏性以及冷启动问题,导致推荐结果不够精确。为了进一步提升推荐的性能,将深度学习引入到推荐系统中成为研究热点。深度学习中的深度神经网络模型可以有效的获取特征表示,从而降低数据的稀疏性。相对于传统协同过滤算法,深度学习的应用使得推荐的效果更加精确。在针对原始数据的稀疏性问题,本文提出了两种改进算法,第一种算法是结合奇异值分解(Singular Value Decomposition,SVD)与堆栈式降噪自动编码器(Stacked Denoising Auto-encoders,SDAE)的神经协同过滤算法(NSSCF)。该算法首先是利用SVD降维;接着利用SDAE有效的特征学习获取项目特征并计算基于评分的项目间相似度;然后在属性项目矩阵上计算基于属性的项目间相似度;最后计算出项目的综合相似度并获取项目间的最近邻集合,从而提高了算法的准确性。为了更有效的学习用户与项目的潜在特征,接着在显式反馈与隐式反馈的基础上提出一种基于深度学习特征表示协同过滤的算法(DLFeaCF)。该算法主要在内积与外积之上,分别利用多层感知器(Multi-Layer Perception,MLP)与卷积神经网络(Convolutional Neural Network,CNN)去学习用户-项目的全局特征和局部特征,最后在融合层组合特征并获得预测分数。最后在真实的MovieLens 1M数据集上进行了实验,并与其他算法进行了对比验证,表明本文提出的算法在一定程度上提高了推荐算法的准确性与有效性。图[24]表[7]参考文献[62]
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：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/45318.html
