基于J2EE平台的电力ERP系统研究与应用
这是一篇关于企业信息化,ERP,J2EE,异构数据,多层体系结构的论文, 主要内容为在当今,随着科技的进步、社会的发展,特别是网络技术的日新月异,信息己经成为影响企业发展的最主要因素之一,因此企业信息化的建设对于企业的生存和发展具有重要意义。 本文针对基于J2EE平台的电力ERP系统的架构及其相关技术进行了较为系统的研究。首先阐述了论文研究的背景和意义,分析了电力企业信息化国内外现状及发展趋势,并从概念和发展历程两个方面对ERP理论进行了系统的研究,在此基础上提出了建立电力ERP系统的必要性,并结合J2EE平台的技术特点,分析选择J2EE平台实现电力ERP的优势,并给出了WAS作为具体的J2EE应用服务器的例子。恩施电力公司ERP系统包括生产管理子系统、营销管理子系统、物资管理子系统、财务管理子系统、领导管理系统、办公子系统、人事子系统等,通过系统总体结构、逻辑模型、硬件配置、核心技术几方面,全面分析了恩施电力公司ERP系统的具体应用。着重阐述了中间件技术、异构数据库、报表技术等先进技术。本文以作者主要负责的系统为例--分析了恩施电力ERP系统中的物资子系统的设计与实现。系统采用三层体系结构,表示层采用GoF经典设计模式中的行为模式,业务层采用GoF经典设计模式中的代理模式,采用数据持久性框架完全抽象的方法访问数据库。最终系统的实施和交付运行证实了上述各种理论与技术的可实施性。 本文的研究是基于J2EE平台的电力ERP系统,在项目实施过程中进行了大量的测试工作,所做的工作对于同类型的系统研究具有很好的借鉴作用。
Research on Hybrid Video Recommendation Algorithm Based on Multi-Head Self Attention Mechanism
这是一篇关于推荐系统,异构数据,高阶组合特征交叉,多头自注意力,门循环单位的论文, 主要内容为随着云计算、大数据等技术的高速发展,互联网中越来越多的各类应用使得数据规模呈现爆炸式增长,从而推动了推荐系统的发展。在工业界常见的推荐模型例如:Item-CF模型、User-CF模型、LR/FM模型尽管被广泛应用,但仍然许多值得改进和突破的地方:1)当数据评分信息非常稀少时,模型容易遇到数据稀疏问题和冷启动问题。2)传统推荐模型受到浅层结构的限制,无法获得用户和项目的深层次特征。3)传统推荐模型中用户-物品间重点影响关系表达不显著。4)传统推荐模型大多认为用户的属性和喜好是固定,忽略了用户兴趣爱好随着时代的动态变化。近年来:深度学习在人工智能领域取得的巨大的成就,这也为推荐系统提供了新的发展机遇和技术创新。得益于深层非线性的网络结构,深度学习可以从海量用户行为数据中学习到要用户和项目之间更加丰富的特征表达。与传统的推荐模型相比,深度学习模型可以自动捕捉数据内部错综复杂的关系,能够挖掘到用户和项目特征,获得更复杂抽象的高阶交互特征表示。但是,目前的大多数基于深度学习构建高阶特征交叉的推荐算法会使得各个特征的权重相同,无法提取重点信息,也无法同时解决用户长短期偏好的问题。近几年研究学者们提出的注意力机制理论使得神经网络专注于输入特征的重要部分,赋予重要特征获得更高权限。使得模型不仅能够捕获用户和项目间的重要特征组合交叉,而且也可以将各个特征的权重进行可视化,使模型具有良好的可解释性。因此,为解决上述问题,本文提出一种基于多头自注意力网络的推荐模型,本次模型采用基于多头自注意力机制和两种循环神经网络的变体(长短期记忆神经网络和门控循环单位)的混合推荐模型来捕获用户反馈数据之间的相互依赖性和序列性进行推荐;其中,采用多头自注意力机制能够为不同反馈数据赋予不同权重以捕获重点信息,并构建高阶特征交叉。循环神经网络能够准确表达用户的长短期偏好。本文将从以下四个方面来对推荐系统做出研究:(1)如何向推荐系统融入多源异构数据。在搭建推荐系统时,特征工程起着关键的作用,这是因为用户信息和项目相关信息蕴含着非常重要的特征,将这些信息融入到模型中能够改善数据稀疏性,提升模型的准确度。这些与用户或者项目相关的信息被称之为辅助信息,例如用户画像(年龄、性别、职业、学历、历史行为等)和项目属性(标题、类型、时长、评分等)。随着互联网的发展,与用户交互的数据来源和数据种类也变得多元化,例如:新闻文本数据、图片数据、视频评分数据等,这些数据都是异构的,拥有不同的数据结构。因此,将异构数据融入推荐模型中的关键在于如何合理地从不同的数据结构中提取特征,提取特征后如何将这些特征建模在同一个模型内。在现有研究中,大多采用多层全连接神经网络去提取数据特征。由于这些数据具有异构、稀疏和分布不均匀等特点。本文采用一种混合异构数据的特征提取方法,针对不同的数据采用不同的深度学习模型。对于离散型数据,采用字段嵌入方法进行特征提取。对于文本型数据,采用文本卷积神经网络提取特征。(2)如何更加高效地构建高阶特征交叉。特征交叉是一种合成特征的方法,用来挖掘多维特征之间更深层次的关系。因子分解机(FM)虽然可以通过对特征的隐变量进行内积操作来构造特征交叉,但是受限于计算复杂度的原因,一般只做到二阶特征交叉,无法得到更高阶的特征交叉组合。为了解决这个问题,学术界提出了利用深度神经网络来构造高阶特征交叉,但是依旧存在一些缺陷,例如:采用全连接神经网络将捕获全部属性之间的交互,这会使模型中各个特征元素权重相同从而导致无法提取重点信息。因此,本文引用自注意力机制,设计了一个多头自注意力层,用于捕获各个元素的注意力分数,将有重要意义的特征进行交叉组合。单个特征也可能涉及到不同的组合特征,因此,本文使用多个头来创建不同的子空间并分别学习不同的交叉特征,最终得到所有子空间中的学习组合特征。(3)如何解决用户长短期偏好的问题。用户的长短期反馈数据分别反映了用户的长短期偏好,循环神经网络(RNN)可以有效地捕捉序列模型中的相互依赖关系。因此,针对用户对视频存在长短期偏好的问题,本文将多头自注意力机制与两种循环神经网络(长短期记忆神经网络和门控循环单位)相结合。门控循环单位(GRU)是标准循环神经网络(RNN)的一种变体,利用与长短期记忆神经记忆网络(LSTM)相同的门机制来解决梯度消失和短期记忆覆盖长期记忆的问题。并且,GRU相较于LSTM拥有更加简单的结构,因此,基于GRU的推荐模型的收敛速度相较于基于LSTM的推荐模型有大幅提升,适合短期模型训练和迭代。(4)最后,结合异构数据提取、多头自注意力机制、长短期记忆神经网络以及门控循环单位,本文提出一种基于多头自注意力机制与循环神经网络的视频推荐模型。具体而言,模型首先使用字段嵌入的方法提取离散型数据特征,使用Word2vec词向量工具来处理文本型数据特征,然后使用文本卷积网络提取经过Word2vec处理过词向量的数据特征。之后将输入的离散型数据特征和文本型数据特征映射到相同的地位空间,然后将低维向量输入到交互层的多头自注意力神经网络中,通过多头自注意力机制构造高阶组合特征,提升CTR预估的准确性。本项研究分别在 MovieLens 100K、MovieLens 1M 和 MovieLens 20M 这三个公共数据集上进行实验,分别对比不同模型的算法推荐精度和模型训练时间,最终得出实验结果。其中,基于多头自注意力机制(MHA)和门控循环单位(GRU)的混合推荐模型(MHA-GRU)在 MovieLens 100K、MovieLens 1M 和 MovieLens 20M 三个数据集中的表现均强于传统推荐模型(LR、FM、AFM)以及其它基于深度学习的推荐模型(NFM、Deep&Wide、DeepFM、Deep Crossing)。具体来看,对于LR、FM、NFM、MHA四个推荐模型,非线性模型NFM和MHA模型推荐效果优于线性模型LR和FM,NFM模型在FM模型基础上增加神经网络来提高特征交叉组合能力,MHA模型内部采用多重自注意力机制交叉来构造高阶特征组合。因此,引入非线性模型能够使得推荐系统获得更好的推荐效果。对于FM、AFM、NFM、Deep Crossing、MHA五个推荐模型,AFM模型在FM模型基础上增加注意力机制,因此引入注意力机制能够使得模型聚焦于重要信息。Deep Crossing模型在多层感知机的基础之上加入残差网络缓解了因网络层数增加而带来的梯度消失的问题。MHA模型结合了以上两种模型的优点,引入多重自注意力机制和残差网络,从而获得最佳推荐效果。对于 MHA、MHA-GRU、MHA-LSTM 三个推荐模型,在 MovieLens-100K 和MovieLens-1M两个数据集上,基于多头自注意力机制和门循环单位的混合推荐模型(MHA-GRU)取得最佳成绩,评价指标AUC分别达到0.825和0.829;评价指标Logloss分别为0.376和0.379。但是在MovieLens-20M数据集上,基于多头自注意力机制和长短期记忆神经网络的混合推荐模型(MHA-LSTM)在取得最佳成绩,评价指标AUC达到0.813,Logloss达到0.382;MHA-GRU模型的评价指标AUC达到0.809,Logloss达到0.401;从收敛时间上来看,得益于GRU的结构,基于MHA-GRU的混合推荐模型在三个数据集上的收敛速度比基于MHA-LSTM的混合推荐模型快25%c左右。由此推断,因为GRU模型结构较为简单,只有两个门控,从计算角度上来说效率更高,适合小规模数据的推荐同时也减少的过拟合的风险,LSTM的结构更加复杂和灵活,具有三个门控,适合大规模数据的计算和推荐。最后,本文也设计了三组超参数实验,用于探究推荐列表长度K、潜在向量维度N、多头自注意力子层的层数M对多头自注意力网络混合模型推荐结果的影响。当推荐列表长度增加时,所有对比推荐模型的推荐精度均会增加,当推荐长度大于12时,MHA推荐效果超过NFM和FM模型,这表明随着推荐数据量的增大,基于多重自注意力机制的模型会更有优势。当潜在向量维度到达32时,模型获得最佳效果,当向量维度超过32时,推荐精度降低,推测过大的向量维度会造成模型过拟合。当多头自注意力子层数量为3时,模型获得最佳效果。
基于XML的企业异构数据集成与查询系统的设计与实现
这是一篇关于异构数据,多源数据,企业信息,XML,集成的论文, 主要内容为办理企业业务是工商部门和银行部门日常业务的重要组成,由于上述两单位的应用系统是独立的,没有形成一个统一的集工商数据、银行数据于一体的异构数据集成查询平台,造成数据不统一的问题,不能达到数据共享的目的。 论文以目前工商部门和银行的信息集成为背景,通过XML实现异构数据库的集成,形成统一的集成数据库,达到企业信息的统一检索的目标,使工作人员更加全面地了解当前企业信息,甄别虚假、过期的纸质材料,为工商部门、银行办理企业相关业务时提供重要依据,有效提高工商、银行工作人员的办公效率,降低风险率,实现办公的严谨性、公正性。 论文在对多源异构数据集成技术以及基于XML文档的异构数据集成与交换技术研究的基础上,分析了目前工商部门和银行异构数据的现状和特征,针对两单位的应用需求,完成了系统的异构数据集成的流程和设计路线。针对关系数据库与XML的异同,设计了数据库与XML文档之间的映射和转换模型,利用XML-QL查询语言设计了异构数据集成算法,实现了基于XML方式的异构数据集成设计。通过企业异构数据集成查询系统需求分析,设计了企业基本信息、年检信息、黑名单库以及资本信用信息查询模块的数据源集成路线、用例图、活动图、类图和时序图等,设计了系统的逻辑结构图和系统功能模块。 在系统设计的基础上,结合工商与银行实际办公需求,数据集成完成后,运用J2EE技术实现了企业集成查询。测试结果表明,论文建设的企业异构数据集成查询系统在功能、性能达到了预定的设计目标,能够满足工商局和银行日常办理企业工作的需求,实现了工商和银行两单位的企业信息的集成,提高信息共享程度。
基于自注意力机制的混合推荐模型的研究与应用
这是一篇关于推荐系统,深度学习,异构数据,自注意力机制,残差网络的论文, 主要内容为推荐系统在现代网络服务中发挥着越来越重要的作用。传统的推荐模型尽管应用前景广阔,但仍面临一些挑战:1)当能够获取到的评分信息非常稀少时,模型容易遭受数据稀疏性和冷启动问题。2)传统的推荐模型都是浅层模型,无法学习到用户和项目的深层次特征。3)模型的基本假设是潜在向量各个元素对模型的预测结果的权重相同,会导致用户-物品间重点关系表达不显著。与传统的推荐模型相比,深度学习模型可以自动捕捉数据本身内部错综复杂的关系,挖掘到用户和项目特征。同时它还可以有效捕捉用户和项目的非线性历史交互,能够获取更复杂抽象的高阶交互特征表示。受人类视觉注意力的启发,研究学者们提出了注意力机制理论。它使神经网络只专注输入特征中重要的部分,也就是给重要的特征赋予更高的权重。这样模型不仅能够捕获用户和项目间的重要组合特征,而且各个特征的权重值还可以可视化,使得在推荐任务中,模型具有优秀的可解释性。因此,本文将结合注意力机制和深度学习的优势,提出一种基于自注意力机制的混合推荐算法。本文在以下四个方面对推荐系统做了创新性研宄:(1)如何将多源异构辅助信息融合到推荐系统中。在现有的大部分研究工作中,都是采用多层全连接神经网络去学习辅助信息的特征。但是由于辅助信息往往具有数据异构、数据稀疏和分布不均匀等复杂特征,采用单一同质的多层感知机并不是最有效的融合异构数据的方法。因此,本文设计了一种异构数据的特征提取方法,针对不同的数据结构采用不同的深度学习模型。具体的,对于离散型数据,采用字段嵌入的方法提取特征。对于文本型数据,采用文本卷积神经网络提取特征。(2)针对现有模型中各个元素权重相同,无法学习重点信息的缺陷,本文引用自注意力机制,设计了一个多头自注意力层。它能够自动捕获各个元素的注意力分数,也就是权重值,以组合有意义的交互特征。一个特征也可能涉及不同的组合特征,所以本文通过使用多个头创建不同的子空间并分别学习不同的特征交互,最后得到所有子空间中学习的组合特征。(3)针对浅层模型无法学习用户和项目的深层次特征,本文设计了一种具有残差连接的多头自注意力神经网络。利用堆叠不同层数的多头自注意力子层,可以对任意阶的特征组合建模,得到深层次的特征。同时为了使模型能够学习足够的深度,加入了残差网络中的残差连接方式。(4)最后,结合异构数据特征提取和多头自注意力神经网络,本文提出了基于自注意力机制的混合推荐模型。具体而言,模型首先将输入的分类特征和文本特征映射到相同的低维空间,然后,将得到的低维向量输入到多头自注意力神经网络,明确地建模用户和项目的高阶特征交互作用。在MovieLens 100K和MovieLens 1M的两个公共数据集上进行实验,实验结果表明,本文提出的方法不仅优于现有的最先进的预测方法,而且提供了良好的可解释性。
基于SOA和XML的制造业异构数据集成的研究
这是一篇关于服务数据对象,面向服务架构,异构数据,XML,Hibernate的论文, 主要内容为异构数据集成在现代工业信息化过程中起着很重要的作用,其中集成各个异构数据已经成为系统集成的一个十分重要的技术。由于企业系统在发展的各个阶段采用不同的数据存储格式,数据库类型,给数据集成带来一定的技术难点。异构数据集成经过多年的发展,已经形成了许多解决方案和工业产品,如联邦数据库技术,数据仓库,XML(extensible markup language可扩展标记语言)的数据集成,面向服务方法的数据集成等相关理论与方法,其中面向服务的软件方法最近发展速度迅猛,引起各界广泛的重视。服务数据对象(service data object)是面向服务架构底下一个组成部分,关注异构数据的逻辑表示,使得面向服务方法在数据表示方面有了统一的形式。面向服务方法中的数据对象对底层异构数据的异构性进行了屏蔽,提供了一个公共的统一的数据访问接口针对每个不同的数据源,使得程序员能够方便使用各种框架和工具对应用程序中的异构数据进行访问。 本文对异构数据集成领域中的各种理论技术和产品进行了比较分析,对面向服务体系架构的相关理论和技术进行了学习,对面向服务的数据对象中的数据访问层进行了功能上的扩充,使用Hibernate实现关系数据的访问,实现了制造业的关系数据库的统一访问,并对其进行了验证。本文处理来自不同数据源的异构数据,解决的关键问题是异构数据源的集成。通过使用面向服务的数据的表示方法,将异构数据统一为数据图的形式,采用XML对数据图进行描述,很好的屏蔽了底层数据的表示形式,采用面向服务的数据接口对数据进行访问。
基于J2EE架构的网络资源管理中间件设计与实现
这是一篇关于中间件,J2EE,异构数据,分布式应用,Web服务的论文, 主要内容为随着企业信息系统建设的不断的发展,系统业务功能越来越丰富,简单的客户/服务器系统已经不能满足企业级信息系统的要求。中间件为企业级分布式应用提供了一个标准的平台,使应用程序能屏蔽不同硬件平台和操作系统的异构性,实现资源共享。引入中间件平台能实现业务逻辑的集中管理,对于系统的后期运行维护、软件的升级管理也有着明显的优势。J2EE是基于JAVA语言标准体系结构定义的中间件技术,它能提供平台无关、支持并发访问和安全的中间件标准。Webwork、Spring、Hibernate等框架是基于J2EE标准的轻量级框架,具有可移植性、可扩展性、易于集成和开发等特点。根据中移动数据管理层的要求,本系统将Ajax、Webwork、Spring、Hibernate四种框架技术整合, Spring和Hibernate使系统具有动态配置能力,使得资源对象便于维护和管理。同时,引入Ajax技术实现异步交互模式,减轻服务器负担,提高系统性能,本文的主要研究工作如下。 1.建立了资源中间件数据访问模型,构建了模型管理和服务管理的系统架构。移动网络资源数据存在着大量的关联关系,把这些关系通过关系模型、关系维护等方式整合,并对外键关联方案进行优化,为应用服务接口提供资源。从资源类到资源属性存在着物理关系和逻辑关系,这些关系是相互映射的,通过Hibernate框架实现对这些资源数据的动态维护。 2.实现了对资源类、资源对象的模型管理,对异构数据的统一集成。中间件存在各种形式的资源数据,数据的异构形式有文件格式的异构、数据类型、数据精度、数据范围的异构等。Hibernate作为持久化框架能屏蔽异构数据的差异,使Spring技术只需专注业务逻辑问题。 3.实现了对资源类、资源对象的接口管理,为系统分布式应用提供了统一服务。四种框架技术的整合为分布式系统集成来自底层的数据,并为上层应用提供统一的接口服务,通过Web服务技术为分布式应用提供解决方案。 4.构建了系统运行环境,对应用系统进行测试和运行。通过XFire对Web服务进行发布,为应用系统提供服务接口,并采用统一的xml语言进行描述。通过Weblogic部署权限系统和中间件系统,实现对模型管理和服务接口的测试。
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：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/46760.html
