农产品电商推荐技术研究与系统设计
这是一篇关于农产品,推荐技术,用户偏好,协同过滤,粗糙集的论文, 主要内容为农产品电商推荐系统能够提高用户的黏着性,扩大市场占有率,对于增加企业的经济效益,提高农民收入具有重要意义。目前,我国很多学者开展对农产品电商推荐系统的研究,主要集中在基于内容、粗糙集、协同过滤、混合推荐等推荐技术上。现有推荐系统主要存在以下问题:首先是冷启动问题,新用户缺少行为数据,推荐系统无法进行精准推荐。其次是数据稀疏问题,大多数用户很少对购买过的商品进行评价,使得评分数据稀疏,无法为推荐系统提供必要的数据来计算用户相似度,从而使得推荐效率较低。由于推荐算法落后、推荐模型适应性低,严重影响了农产品电商平台的快速发展。为了解决农产品电商平台中存在的信息过载、冷启动、数据稀疏等问题,本文对已有的推荐算法进行改进,提出了融合用户基本信息和用户偏好的用户相似度计算方法,通过平衡因子和惩罚因子来更改推荐精度,完成精准的个性化推荐。同时,为了更准确的获取用户的关键属性集,采用了加强正域的属性约简算法,对关键属性划分更合理精确,包含的分类信息更多,概括能力更强。在此基础上构建了包含构建用户偏好模型、关键属性获取、寻找相似用户、农产品推荐等环节的农产品推荐模型。与已有推荐算法进行召回率、准确率、平均绝对误差等方面的结果对比,采用融合用户基本信息和用户偏好的用户相似度算法在数据集越大时,召回率和准确率更高,平均绝对误差最小,精确度较高,可以较好地解决冷启动及数据稀疏问题。另外,与传统正域算法从约简时间和剩余属性数方面进行实验对比,结果显示随着样本数和条件属性数增多,采用加强正域的算法在两方面均优于传统正域算法。研究结果应用到农产品电商推荐系统中,不仅可以有效采集用户和农产品特征等信息和寻找相似用户,还能通过用户偏好信息将用户可能感兴趣的农产品推荐给用户,满足了农产品推荐需求,达到了预期的推荐效果。另外,结合需求分析,本文完成了推荐流程、系统功能模块、数据库等三方面的设计,开发了一款具有农产品电商推荐平台,为用户提供农产品推荐和购买等功能。
基于知识图谱的个性化习题推荐研究
这是一篇关于个性化学习,推荐技术,知识图谱,知识追踪,个性化习题推荐的论文, 主要内容为随着互联网教育事业的飞速发展,丰富多样、个性化的网络在线习题开始在学习者中普及。目前大多数在线学习平台缺乏对信息过载问题的考虑,导致学习者学习针对性不强、效率不高等问题。教育相关人员无论是教育者还是学习者在面对Web环境下大量的习题数据,都必须考虑如何弥补学习者的知识漏洞,并以此为依据选择个性化习题,促进学习者高效学习,已成为个性化教育领域研究的热点问题。习题推荐技术是解决习题信息过载问题的重要途径,逐渐渗透并改变着众多学习者的学习方式。个性化的习题推荐系统作为在教育领域中的重要分支,近些年来,随着人工智能以及大数据的发展获得了教育工作者的极大关注。基于大多数推荐算法缺乏对课程知识点本身内容和结构的考虑,笔者根据课程知识点以及知识点之间的结构关系建立了课程知识图谱作为知识模型,研究了基于知识图谱的习题推荐算法,在此基础之上,本文使用初中数学课程的习题为测试数据,针对本研究提出的推荐算法进行了评估实验。本研究的内容主要包括以下四个方面:1.基于知识点和知识点之间的关系,提出了知识模型的构建和存储方法。首先研究了概念的提取方法,在对课程的概念的提取实践过程中,使用到了自然语言处理的相关技术。然后对概念之间的关系进行了分析,设计了知识点之间的关系。根据知识点和知识点之间的关系构建了课程知识图谱。最后,研究了知识模型的存储方法。2.基于网络爬虫技术和数据库技术,研究了网络习题的爬取和预处理技术。通过研究不同习题题型的特点,选择了选择题作为适合推荐系统的习题题型。然后,建立习题的存储模型,使用数据的存储技术将习题存储到数据库中,作为习题库。3.研究了基于知识图谱的习题推荐算法。这个算法以知识追踪技术作为判断学习者掌握掌握知识点能力的评估方法,这种推荐策略能够引导知学习者对尚未掌握的知识点的前驱知识点进行学习掌握,不仅如此,还可以引导学习者去掌握某一个知识点后继知识点。然后通过给学习者推荐知识点相应的习题这种方式以加深学习者对知识点的理解。4.以初中数学习题为例,对基于知识图谱的习题推荐方法进行了实验仿真验证。实验结果表明,基于知识点关系的习题推荐策略是一种重要的辅助学习手段,不仅能弥补不同学习能力的学习者的知识漏洞,而且还能提高学习者的自主学习效率。
农产品电商推荐技术研究与系统设计
这是一篇关于农产品,推荐技术,用户偏好,协同过滤,粗糙集的论文, 主要内容为农产品电商推荐系统能够提高用户的黏着性,扩大市场占有率,对于增加企业的经济效益,提高农民收入具有重要意义。目前,我国很多学者开展对农产品电商推荐系统的研究,主要集中在基于内容、粗糙集、协同过滤、混合推荐等推荐技术上。现有推荐系统主要存在以下问题:首先是冷启动问题,新用户缺少行为数据,推荐系统无法进行精准推荐。其次是数据稀疏问题,大多数用户很少对购买过的商品进行评价,使得评分数据稀疏,无法为推荐系统提供必要的数据来计算用户相似度,从而使得推荐效率较低。由于推荐算法落后、推荐模型适应性低,严重影响了农产品电商平台的快速发展。为了解决农产品电商平台中存在的信息过载、冷启动、数据稀疏等问题,本文对已有的推荐算法进行改进,提出了融合用户基本信息和用户偏好的用户相似度计算方法,通过平衡因子和惩罚因子来更改推荐精度,完成精准的个性化推荐。同时,为了更准确的获取用户的关键属性集,采用了加强正域的属性约简算法,对关键属性划分更合理精确,包含的分类信息更多,概括能力更强。在此基础上构建了包含构建用户偏好模型、关键属性获取、寻找相似用户、农产品推荐等环节的农产品推荐模型。与已有推荐算法进行召回率、准确率、平均绝对误差等方面的结果对比,采用融合用户基本信息和用户偏好的用户相似度算法在数据集越大时,召回率和准确率更高,平均绝对误差最小,精确度较高,可以较好地解决冷启动及数据稀疏问题。另外,与传统正域算法从约简时间和剩余属性数方面进行实验对比,结果显示随着样本数和条件属性数增多,采用加强正域的算法在两方面均优于传统正域算法。研究结果应用到农产品电商推荐系统中,不仅可以有效采集用户和农产品特征等信息和寻找相似用户,还能通过用户偏好信息将用户可能感兴趣的农产品推荐给用户,满足了农产品推荐需求,达到了预期的推荐效果。另外,结合需求分析,本文完成了推荐流程、系统功能模块、数据库等三方面的设计,开发了一款具有农产品电商推荐平台,为用户提供农产品推荐和购买等功能。
基于专利挖掘和知识图谱的煤层气开采技术机会识别研究
这是一篇关于技术机会识别,专利挖掘,知识图谱,推荐技术,煤层气开采的论文, 主要内容为在技术迭代速率加剧、市场产品竞争日益激烈的背景下,技术创新对于企业在产品创新过程中维持市场优势和实现持续性发展具有重要意义,同时也是提高我国技术产品核心竞争力和创新质量的关键因素。作为技术创新中的一个重要主题,技术机会识别通过精准的发掘和捕捉技术机会来指导技术创新活动,因此在学术界和实践中已有学者和研发人员对其进行了深入地研究。然而,先前关于技术机会识别的研究侧重于分析产品技术系统中知识要素的数量特征,这些基于现有的文献计量和统计学分析的研究,难以深刻把握知识要素所反映的技术主题和内涵以及知识要素的多样性和关联性,在很大程度上只能给研发人员提供宏观层面的启示,从而在微观的操作层面上很难为识别乃至生成新的技术机会提供参考。鉴于此,本研究旨在提出一个将专利挖掘和知识图谱相结合的技术机会识别框架,从而对技术系统进行深入地分析以准确的识别技术机会,为研发人员在产品创新的过程中提供具体的参考。本文的主要研究内容如下:首先,利用专利挖掘对专利进行深入分析,具体而言,通过LDA主题聚类提取专利文档中的技术主题和技术特征词,结合工程模型TEMPEST和创意生成模型SCAMPER对技术主题和技术特征词进行分析,以分析知识要素的技术内涵和多样化特征,同时实现对专利文档的结构化;其次,基于结构化的专利文档,设计知识图谱的本体库,构建出可以反映专利中知识要素语义网络的知识图谱,通过关联规则和推荐技术实现了对创新法则的推荐,以指导研发人员进行技术创新;最后,为对提出的技术机会识别的框架的合理性和有效性进行验证,选择煤层气开采技术领域进行案例验证,最终识别和生成了煤层气开采领域的技术机会。研究结果表明:本文所构建的基于专利挖掘和知识图谱的技术机会识别框架,可以深层次的挖掘技术系统中知识要素的技术主题和内涵以及知识要素的多样性和关联性特征,从而为研发人员在技术机会识别的过程中提供针对性的创新法则以启发创意生成,最终实现技术创新。即通过专利挖掘提取技术主题及相关的知识要素,并对知识要素的多样性和关联性深入分析。在此基础上,结合知识图谱技术构建知识要素之间多维度的语义网络实现对创新法则的推荐,从而给研发人员提供准确的技术创新指导。在理论层面上,与先前侧重于分析技术系统知识要素数量特征的研究不同,本文对传统的技术机会识别的视角进行了拓展,丰富了技术机会识别相关研究的理论体系。本文基于专利挖掘和知识图谱,同时结合工程领域本身的特性构建技术领域的语义知识网络,可以为识别和生成新的技术机会提供一个新的框架;在实践应用层面,本文所构建的框架可以为技术导向性的企业在技术机会识别中的微观层面上提供深刻的分析,有助于克服在技术机会识别过程中的盲目性和主观性问题,提高研究人员的决策效率并最终有助于企业在产品研发战略中取得优势。
基于多目标进化的情境感知推荐算法研究及应用
这是一篇关于推荐技术,K-means++聚类,多目标进化算法,协同过滤,spark集群的论文, 主要内容为随着5G时代的到来,人工智能为科技赋能生活提供了更加便捷的服务。我们可以在家通过互联网进行学习,阅览电子图书、浏览实时新闻、在软件上进行观影,以及在电商平台对所需商品下单。但是,同时也产生了另外一类问题,即数据资源量的与日俱增在互联网中呈现出指数增长态势,人们在面对海量数据时往往感到无所适从和无法及时找到所需内容,在这种场景下,精准和快速的推荐成为了解决这一问题的有效方法。而传统的推荐技术过多的依赖历史行为数据,忽略情境信息的重要性,导致推荐效果不理想,如何在传统推荐中融入情境信息降低历史行为数据依赖提升推荐的准确率成为了亟待解决的难题;另一方面推荐系统所生成的推荐列表存在精度和多样性相互冲突问题,在提升精度性能时往往是以牺牲多样性为代价造成了推荐列表中推荐项类型单一。基于上述问题,本文设计了一种融合上下文信息的推荐技术,在确保推荐列表多样性的同时提升推荐精度,具体完成了以下三个方面的内容。(1)针对传统媒体推荐系统中情境信息利用率过低的问题,设计了一种融合情境信息的聚类推荐算法,该算法在推荐前采用情境预过滤技术K-means++聚类将用户按一定的距离度量划分为不同的目标组,并将同一目标组中的高分项目推荐给目标用户。并在协同过滤算法中设计了时间衰减函数态追踪用户偏好漂移使得静态系统变成了时变系统,有效提高时间多样性和缓解推荐系统的冷启动问题。最终,进行了对比实验比较,验证了本文所提出的将情境信息融合到推荐系统中的技术的正确性和有效性。(2)设计了基于多目标进化的情境推荐机制MOEA＿CTUser CF,该机制根据多目标优化理论特性和进化算法有效平衡推荐列表中推荐项的精确性和多样性目标函数。其中,在多目标进化算法中将编码策略重新设计融入推荐项作为进化群体,结合改进的擂台赛法则构造Pareto非支配解集合降低时间复杂度,改进交叉、遗传、变异算子经过多轮迭代生成给用户的推荐列表,并且在基于Movie Lens数据集上与三个基准做对比实验。(3)构建了一个基于多目标进化的媒体推荐系统,该系统框架由spark集群实现,包含前台模块、后台模块、数据存储模块、离线推荐模块和实时推荐模块五个部分。
基于引用网的在线论文推荐系统研究
这是一篇关于文献引用网,论文推荐,推荐技术,数据挖掘的论文, 主要内容为当今时代是信息大爆炸的时代，学术著作数目快速增长，新的研究领域不断涌现。对于研究者来说，快速地从相关领域获取重要研究人员、重要研究单位、重要论文以及相关领域的发展情形等信息至关重要。 使用谷歌学术，知网等传统的搜索工具，虽然能够搜索到相关的文献，但是这些工具往往更适合于具有一定研究资历的研究人员。对于初级研究人员来说，可能遭遇由于海量知识所引起的认知负担，非常不适用。 基于以上情形，本文开发了一套在线文献推荐系统。该系统根据用户输入的种子文献，自动到在线数据库中查询相关内容，构建由该论文扩散出的文献引用图，然后利用图论和基于图的数据挖掘技术，分析出该文献引用网的一些特性，如引用次数最多的论文、该领域与其他领域的交叉、该领域的发展方向等相关知识，从而为研究者推荐最受欢迎的论文、该领域最著名的研究者等信息，并且将这些信息以可视化的形式展现出来，方便研究者做进一步的应用。 本文的主要工作如下：研究国内外学术界提出的多种文献引用网模型和各种推荐技术，认识当前研究状态；详细分析当前的论文推荐系统以及这些论文推荐系统的架构设计；结合当前的图挖掘算法，提出自己的文献引用网挖掘算法；利用Python语言实现在线论文推荐系统；以ACM数据库为例，测试在线论文推荐系统的性能。
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：毕设驿站 ，原文地址：https://m.bishedaima.com/lunwen/46109.html
