某高校实验室建设辅助分析系统设计与实现
这是一篇关于实验室建设,项目相似度,分布式,ElasticSearch,BM25的论文, 主要内容为高校实验室是培养学生实践能力与综合素质的主要场所,是高校教学资源配置体系中的一个重要组成部分。随着学科与专业的发展,高校实验室规模与数量不断增加,实验室建设质量和水平成为关注重点。实验室建设分为多个步骤,而实验室立项是其中的第一步,是后期建设的基础。在立项阶段,由于缺乏全校整体数据和历史建设数据支持以及直观参照对比,评审专家往往依靠个人经验,在评审决策时可能未能及时发现重复建设、超前建设、设备重复购买等问题,造成实验室建设缺乏宏观规划,方案系统性和综合性不够。本文重点针对实验室立项环节,以某高校为例,采用三层架构模式,以spring、spring MVC、mybatis为框架,构建了基于B/S的实验室建设辅助分析系统,通过Elasticsearch倒排索引技术建立分布式样本库,整合IK分词器、Ingest-Attashment、LogStash等技术实现项目申请书与项目元数据导入与分词,采用BM25算法计算项目相似度,为专家决策提供辅助。测试表明系统运行稳定,达到用户基本业务需求。
融入注意力机制的个性化推荐算法
这是一篇关于注意力机制,社会化推荐,用户信任,项目相似度,多层感知机的论文, 主要内容为随着互联网技术的飞速发展,“信息过载”已经成为传统搜索技术不能胜任的难题。为了解决这一问题,推荐系统应运而生,协同过滤算法是其应用最广泛并且最成功的核心技术,然而,该类算法面临着严重的数据稀疏与冷启动问题。近年来,随着社交信息的丰富,融合用户和项目社会化的推荐算法得到了广泛的应用,然而,现有方法均未能考虑不同领域中用户社会地位以及信任对象所存在的差异,并且用户相似性的计算在面对不同项目时不能自适应变化造成了模型推荐精度下降。另一方面,随着深度学习浪潮的兴起,各式神经网络模型也应用到了推荐系统中,受益于其强大的深层特征学习能力,推荐系统得到了长足的发展。近年来,部分研究人员将NLP领域中非常流行的注意力机制引入推荐算法并取得了一定效果,但已有研究的学习模型过于单一,只对用户等单边信息进行了注意力融合,未能充分挖掘社交上下文和项目层面的信息。因此,利用注意力机制建模推荐问题中的多领域信息成为了本研究的重点。本文的主要研究内容如下:(1)针对现有方法未能考虑不同领域中用户社会地位以及信任对象的差异,并且用户相似性在面对不同项目时不能自适应变化的问题,提出一种融合项目信息与信任机制的个性化推荐方法。该方法将项目按照所属领域进行划分,综合考虑用户在不同领域内的全局信任度与局部信任度,构建特定领域的信任网络,提出一种新的社会化信息构造方式,然后将项目间相似性融入Pearson相关系数,计算用户面对不同项目时的偏好程度。在真实数据集Epinions上的大量实验表明,该算法的推荐性能相较于经典的协同过滤算法和融入单一信息的算法有了大幅提高。。(2)针对现有注意力机制在推荐过程中的应用过于单一,并且传统社交推荐不能充分挖掘社交矩阵中的非线性信息的问题,提出一种融入多层注意力机制的推荐方法。该方法利用降噪自编码器分别对多维信息进行降维向量化表示,并将注意力机制同时融入到用户、项目属性、项目交互及社交信息中,其中,项目级融入了多层注意力机制以获取待推荐项目对历史项目的偏好的和项目属性的偏好;同时,将用户项目基础隐式向量融入系统,在模型顶端利用多层感知机进行评分预测。在Flixster和last.fm两个数据集上的大量实验表明,该算法的推荐效率相较于各类基线算法有了一定提高,并且,验证了模型中各类参数对于算法的影响。
基于信任关系的社交网络推荐算法研究
这是一篇关于推荐系统,社交网络,信任关系,用户相似度,项目相似度的论文, 主要内容为近年来,随着互联网行业飞速的发展,人类已经逐步进入了大数据时代,但与此同时,由于信息的数据量呈现爆炸式的增长,“信息过载”已经成为业内重点关注的问题之一。推荐系统作为一种解决“信息过载”问题的技术在互联网中得到了广泛的应用。当前推荐算法的研究取得了一定的进展,众多学者纷纷提出融合用户信任信息的推荐算法,但算法的推荐性能仍有可提升空间。通过结合用户信任度和社会特征等,会使推荐性能得到较好地提升。本文主要研究工作如下:(1)针对社交网络中数据集稀疏性问题,以及用户间具有不同兴趣偏好的特点,本文提出了一种融合用户信任关系簇与用户社会特征的推荐算法(Recommend System with Trust Cluster and User Characterized Social Regularization,简称RSTU算法)。在算法中,通过对同一受信者有信任关系的用户簇特征向量作为受信者特征向量的方法,计算簇中用户与受信者的相似度,使其能够降低用户之间信任关系的稀疏度;针对用户簇中存在用户数量少而不能很好表示受信者特征的问题,利用用户与其对应信任用户簇之间的相似度计算最小距离,提升用户簇可解释性;再根据用户在不同项目中表现出不同兴趣偏好的特性,来计算在同一评分项目中不同用户潜在特征之间的相似度,结合用户社会特征并给出新的约束参数,以此减少用户兴趣偏好对推荐效果的影响。最后使用Epinions社交网络数据集将本算法与三种传统算法PMF、So Reg和SVD++进行了对比分析,实验结果显示RSTU算法相较其他算法,在算法性能评测指标RMSE上表现最优,证明了算法在评分预测精确度的性能上得到提升,较好地解决数据集稀疏性问题,提高了推荐效果。(2)针对基于社交网络的推荐方法大多利用了用户之间的信任关系,而忽略了项目之间相似度信息对用户兴趣影响的问题,本章提出了结合用户信任关系和项目间相似度的推荐算法(Recommend System with Trust Relation and Item Similarity,简称RSTI算法)。在算法构造中,首先利用用户熵和改进的Jaccard相似度进行结合得到用户综合相似度,再通过具有共同评分用户项目间的项目局部相似度和全局相似度来共同构成项目综合相似度。将用户综合相似度和项目综合相似度再进一步结合,以此进行推荐,其目的是解决数据稀疏性以及用户冷启动问题,提高评分预测精度。最后利用公开数据集Ciao对RSTI算法与三种传统推荐算法PMF、So Rec和Trust SVD进行对比验证。实验结果显示在评分预测度和用户冷启动问题上,RSTI算法在算法性能评测指标RMSE中表现均较其他算法更优。
某高校实验室建设辅助分析系统设计与实现
这是一篇关于实验室建设,项目相似度,分布式,ElasticSearch,BM25的论文, 主要内容为高校实验室是培养学生实践能力与综合素质的主要场所,是高校教学资源配置体系中的一个重要组成部分。随着学科与专业的发展,高校实验室规模与数量不断增加,实验室建设质量和水平成为关注重点。实验室建设分为多个步骤,而实验室立项是其中的第一步,是后期建设的基础。在立项阶段,由于缺乏全校整体数据和历史建设数据支持以及直观参照对比,评审专家往往依靠个人经验,在评审决策时可能未能及时发现重复建设、超前建设、设备重复购买等问题,造成实验室建设缺乏宏观规划,方案系统性和综合性不够。本文重点针对实验室立项环节,以某高校为例,采用三层架构模式,以spring、spring MVC、mybatis为框架,构建了基于B/S的实验室建设辅助分析系统,通过Elasticsearch倒排索引技术建立分布式样本库,整合IK分词器、Ingest-Attashment、LogStash等技术实现项目申请书与项目元数据导入与分词,采用BM25算法计算项目相似度,为专家决策提供辅助。测试表明系统运行稳定,达到用户基本业务需求。
基于共享评级迁移的跨域推荐算法
这是一篇关于跨域推荐,项目相似度,模拟退火,遗传算法,共享评级的论文, 主要内容为随着云计算、互联网、web2.0技术、电子商务等的急速发展使得网上信息资源呈指数式增长,导致的“信息过载”问题越来越严重。用户很难从海量信息中快速寻找到满足自己个性化的需求,企业面临的困扰是用户对提供的推荐服务是否满意。推荐系统常从用户、商品以及用户评分信息等方面挖掘内在关联,从而为用户和商品建立关联,为用户提供感兴趣的商品推荐列表。虽然传统的推荐系统在一定程度上缓解了“信息过载”问题,数据稀疏和用户冷启动是推荐系统亟待解决的问题。传统推荐算法仅利用单个领域的评分信息进行推荐是不足的。在这种情况下,跨域推荐应运而生,其作用是挖掘多个领域的用户与物品的交互信息并构建合适的模型来完善推荐效果。在当今的移动互联网大时代下,不同行业和领域之间的信息都可以实现共享或者互补,跨域推荐也为解决冷启动问题提供了一种可能。为进一步提高跨域推荐结果的精准度,提高不同领域信息资源的综合利用率,本文提出了基于项目相似度迁移的跨域推荐模型和基于共享评级融合的跨域推荐模型。具体的工作内容如下:(1)本文首先针对项目重叠的场景,对辅助和目标领域的项目进行分析,从项目角度出发,提出一种基于项目相似度迁移的跨域推荐模型(Item similarity Transfer,ISim T)。本文将项目在辅助领域中的相似度扩充到目标领域。首先,利用矩阵分解模型对用户和项目潜在特征进行训练,利用得到最优用户和项目潜在特征矩阵的内积来填充辅助领域缺失的数据集,并计算辅助领域的项目相似度;然后,利用流行度惩罚因子改进的pearson相关系数法,对目标领域项目相似度进行计算;最终,融合辅助领域和目标领域的项目相似度,为用户进行推荐。通过迁移重叠项目的相似度,有效地避免了负迁移的影响,提升了推荐性能。(2)针对领域间没有重叠信息的场景,本文提出一种基于共享评级融合的跨域推荐模型SRFCD(Shared Ratings Fusion Cross-domain Recommendation)。首先通过将各个领域评分矩阵进行分解,通过构造实际评分与预测评分误差的目标函数,利用随机梯度下降法训练用户/项目的特征矩阵,使特征矩阵能够很好地表示用户/项目的潜在特征;然后利用基于模拟退火和遗传算法优化的k-means算法对用户和项目分别进行聚类,将用户类别和项目类别的内积作为共享评级。最终迁移共享评级至目标领域,并融合目标领域特定评级进行评分预测,在一定程度上避免了负迁移,并提高了推荐结果的准确性。(3)为了验证所提算法的有效性,本文选取推荐系统数据集进行实验,结果表明本文提出的算法与基线方法相比,降低了RMSE,提高了准确率、召回率和F1值。
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：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/46675.html
