7篇关于协同过滤推荐的计算机毕业论文

今天分享的是关于协同过滤推荐的7篇计算机毕业论文范文, 如果你的论文涉及到协同过滤推荐等主题,本文能够帮助到你

基于知识图谱的药品推荐系统的研究与实现

这是一篇关于药品推荐,知识图谱,协同过滤推荐,知识表示学习,网上药店系统的论文, 主要内容为近年来我国网上药店数量飞速增长,用户在网上药店进行购药时,药品种类繁多,而用户自身对于药品和病症专业知识了解甚少。在购药时,很难快速准确的找到自己所需药品。所以一个好的药品推荐系统对于网上药店至关重要。在现有的网上药店中,已经应用了一些推荐系统,比如直接按照药品销量进行排序推荐,但是这样的推荐方式显然不能起到很好的辅助购药效果。针对这一问题,本文提出融合知识图谱与协同过滤的药品推荐算法。并实现了与算法相匹配的个性化药品推荐网上药店系统。本文的主要研究工作如下:(1)药品领域知识图谱的构建使用Python的Scarpy框架从三个医疗健康网站(寻医问药药品网、家庭医生网、39健康网)爬取药品相关数据信息,参考专业医疗信息服务平台OMAHA(开放医疗与健康联盟)药品知识图谱构建结构采用自顶而下的方式抽象药品领域知识图谱实体和关系,随后进行知识抽取和知识融合得到药品知识图谱三元组信息,并使用Neo4j图数据库中对三元组信息进行存储,完成药品领域知识图谱的构建。(2)融合知识图谱与协同过滤的药品推荐算法传统药品推荐算法忽略药品自身语义信息而导致推荐精度不高,本文通过构建药品知识图谱引入药品间的语义信息作为重要推荐依据,使用知识表示学习翻译模型Trans R将药品知识图谱映射到低维连续的向量空间中获取药品实体及其关系,从而计算得出药品间的语义相似度,并结合协同过滤得出的行为相似度得出融合相似度,根据融合相似度进行评分预测并生成推荐列表。(3)个性化药品推荐网上药店系统设计与实现基于上述算法模型,结合网上药店系统的开发需求,采用B/S的架构对个性化药品推荐网上药店系统进行开发。系统前端使用Vue3,后端使用Spring Boot、Spring Cloud等技术,根据业务划分模块,以微服务的方式完成系统整体搭建。完成了药品推荐算法与网上药店系统的融合。实验结果表明,本文算法在药品推荐任务领域准确率、召回率和F值三项指标与包括协同过滤在内的基准算法对比均有一定程度提升,可以给出用户更好的药品推荐结果。个性化药品推荐网上药店系统在使用过程中运行状态良好,达到预期需求。

基于领域知识图谱实体消歧的协同过滤推荐算法研究

这是一篇关于知识图谱,实体消歧,语义相似性,协同过滤推荐的论文, 主要内容为当今互联网飞速发展,人们生活中充斥着越来越多的选择,因此各大网站的推荐功能应运而生。当朋友推荐一部书籍,访问图书网站查找,目标书籍出现在返回表单中,同时网页会列出一些你可能喜欢的书籍,这就是推荐系统的应用。对于传统的协同过滤推荐算法,只凭借原有参与者的过去意见和行为来进行预测。本文结合知识图谱技术构建图书领域知识库,针对实体语义进行消歧处理,对实体消歧处理后所得到的实体进行语义相似度计算,再将语义相似的邻域与传统协同过滤推荐算法的推荐邻域按照不同比例进行融合,从而将有关中文实体的消歧语义信息融合到传统协同过滤推荐算法。目的是改善传统协同过滤算法未加入实体语义信息的弊端,理论及实验证明本文所改进的算法能有效改善协同过滤算法在推荐过程中的效果,尽可能改善推荐过程中所存在冷启动问题。本文提出基于领域知识图谱实体消歧的协同过滤推荐算法,构建领域知识库并通过网络爬虫技术所获取的图书文本信息构建知识图谱模型。通过基于图谱的随机游走算法对该领域内的实体进行语义相似性计算,将未消歧处理的实体所在的文本关键词与知识库里的实体备选关键词,通过建立模型进行语义相似度的交叉计算,将计算值最大的备选实体选定成所选目标,以实现实体消歧的操作处理。最后针对实体消歧处理后的中文语义数据进行语义相似性矩阵构建并寻找语义邻域,最终将语义邻域与推荐算法计算的邻域按照相应实验比例进行融合,通过调整语义邻域和传统协同过滤算法推荐邻域的融合比例以及领域知识图谱融合维度进行训练,最终实现实体的语义层面融合到推荐领域中。本文采用维基百科数据库中图书类别下的实体信息构建知识库,采用知识库中实体与通过网络爬虫技术所获取的图书文本信息,测试集是图书网站上爬取推荐读的好书列表,通过Word2Vec工具构建知识图谱和词向量模型。实验评估结果将召回率和准确率以及F值作为实验效果参考依据值,通过实验证明,该算法可以在一定程度上提高传统协同过滤推荐的有效性。

智能课程管理平台的设计与实现

这是一篇关于课程平台,协同过滤推荐,内容审核的论文, 主要内容为随着互联网的普及化,人们的学习方式正在发生着巨大的变化。尤其是自2020年以来,疫情的出现使人们上网的时间大量增加,线上教育在这个背景下也进入了快速发展的阶段。同时受双减政策影响,一些教育机构正在借助过往的教育资源转向素质教育,课程品类和数量的不断扩大使得课程质量变得参差不齐,大量课程上架前因缺乏对课程内容的合规性审核,出现违反市场监管的行为。同时课程信息的过载导致用户无法快速地从海量的学习资源中寻找到自己感兴趣的资源。为解决课程的合规性检测和课程信息过载问题,本文设计并实现了一个智能课程管理平台,主要完成了服务于用户的首页展示、个人中心、课程推荐、课程相关功能模块,以及服务于后台管理人员的用户管理、教师管理、课程管理、课程类别管理、首页轮播课程管理和AI质检功能模块。系统使用协同过滤推荐算法为在线学习者提供与其认知状态和学习能力相匹配的个性化学习资源推荐,使用百度AI内容审核接口实现对课程图文资料的违规性审核。本文采用B/S模式的结构体系,采用MVC模式进行设计,前端使用Vue框架、后端使用Spring Boot框架进行开发,采用Java语言进行编程,使用My SQL数据库存储用户信息、教师信息、课程信息的相关数据。在完成论文的过程中,本人严格按照软件开发流程,完成论文的需求分析、概要设计、系统详细与实现和系统测试。本系统的实现帮助学习者从海量学习资源中快速地挑选出适合自己的个性化资源来有效完善自己的知识结构,同时可代替人工对课程中的文本、图片内容进行涉黄/涉政/涉暴/违禁/广告等维度的智能识别,避免因课程虚假宣传或者存在广告等因素造成违规风险。

基于协同过滤和图谱嵌入的推荐方法研究

这是一篇关于协同过滤推荐,知识图谱,图卷积网络,注意力机制,隐式关联关系的论文, 主要内容为推荐系统是缓解信息过载的重要手段,其基本思想是根据用户偏好预测出用户的需求项目进而进行推荐。当前的推荐方法主要利用用户和项目的显式关联关系和隐式关联关系分析用户偏好,但在挖掘隐式关联关系时并没有充分利用未与用户具有直接交互关系的项目,因此如何挖掘更多具有潜在价值的项目进而实现更准确的推荐是当前的研究热点。此外,传统的推荐模型很难向用户阐明推荐的原因及内在逻辑,因此利用知识图谱中的属性信息来解释推荐结果也是研究者们关注的一个重要问题。为了解决以上的问题,本文提出了一种基于协同过滤和图谱嵌入的推荐模型(Recommendation Model Based on Collaborative Filtering and Knowledge Graph Embedding,called for CFKG)。首先,通过聚合项目的邻居属性获得项目的初始嵌入向量,在属性嵌入层使用图上下文正交变换(GC-OTE)的图嵌入技术将项目属性映射到低维向量空间,从而减少数据稀疏问题对推荐结果产生的负面影响。然后,在属性传播层,通过多层的图卷积网络在用户-项目二部图和知识图谱构成的协同知识图谱中学习项目的高阶属性信息,进而得出项目的嵌入向量表示;同时,通过将属性信息输入到注意力模块,计算出用户的兴趣评分,根据用户兴趣的注意力评分函数,得到用户的嵌入向量表示。最后,模型预测层通过将项目的嵌入向量表示和用户的嵌入向量表示进行加权聚合,采用内积函数得到最终的推荐结果。通过在Alibaba-iFashion数据集和Last-FM数据集上进行实验,结果表明本文提出的基于协同过滤和图谱嵌入的推荐方法在Recall@k和NDCG@k评价指标上优于当前主流模型的推荐效果,进一步验证了本文提出的模型具有合理性和有效性。该论文有图32幅,表6个,参考文献103篇。

基于用户动态兴趣模型推荐系统的研究与实现

这是一篇关于用户兴趣模型,协同过滤推荐,回购周期,时间衰减的论文, 主要内容为互联网、Web服务以及基于Web的信息系统的飞速发展使得网络资源激增,信息推荐成为信息过载背景下为互联网用户筛选信息不可或缺的有力工具。同时网络用户量规模也迅速增大,其中使用电子商务的网络用户比重不断提高,推荐系统发展逐步完善,在电子商务领域为用户提供精准营销、网站服务等方面大放异彩。电商推荐系统的目标是提高商品点击率和订单转化率,众多学者对推荐算法方向展开了深入研究,存在的问题包含:(1)算法捕捉用户需求的能力不足,没有考虑用户需求的动态性和迁移性。(2)用户购买行为具有周期性,系统缺少对该性质的分析,各电商平台存在推荐用户刚刚购买或者购买不久的重复商品的现象,造成用户体验不佳,引起用户反感。为解决上述问题,本文基于明来西游记电商平台研究并实现了追踪用户兴趣漂移的推荐系统,研究内容主要包括以下几点:首先、在深入理解电商事务日志、用户信息的数据特征和表现形式的基础上,将用户行为时间加入推荐算法,强调用户群体兴趣随时间推进的变化。第二、针对用户兴趣漂移的现象,结合上述研究结果,将用户兴趣模型分为短期和长期两个类,引入记忆曲线来构建用户兴趣权重衰减函数,模拟用户兴趣偏好的运动,提高算法对用户需求追踪的机动性。第三、针对电商平台的应用场景,以商品类目抽象代表用户购买兴趣点,构建用户-类别矩阵,改善协同推荐中矩阵稀疏造成相似度偏差的现象。第四,深入研究协同过滤的推荐算法,分析电商用户购买行为周期性特征,结合用户回购率和商品回购周期的概念,设计了一种引入商品回购周期的推荐修正模型,利用模型得到的修正因子为目标用户修正推荐候选集。第五,构建并实现基于用户动态兴趣模型推荐系统的明来西游记电商平台,给出平台总体架构设计,并基于SSM架构模式实现各模块核心功能。最后进行测试,结果表明用户兴趣模型能够准确表达用户兴趣点分布,基于用户兴趣模型的推荐算法提高了推荐召回率,通过对比动态模型与静态模型的推荐效果,结果显示动态模型具有更高的准确率,验证了基于记忆曲线模型更新的有效性。