电影角色推荐算法的研究及系统实现
这是一篇关于信息过载,推荐系统,知识图谱,用户偏好传播,角色推荐的论文, 主要内容为互联网技术的快速发展和用户数量的积累,使得网络上的数据信息量呈指数级别的飞速增长。如何使用户在海量数据中获取自己感兴趣的内容,成为了重要的研究课题。在此背景下,推荐系统应运而生。近些年推荐系统在电影领域的应用同样取得了引人注目的成果,但是更多的课题还是在围绕电影推荐进行研究,如何在更加细分的领域做推荐,比如电影角色的推荐,就是非常有价值的研究课题。此外,知识图谱是近年来新兴的研究热点之一。知识图谱中所蕴含的丰富的语义信息,对于改进推荐系统的存在的冷启动和可解释性差的问题有着重要的意义。本文以电影角色推荐算法的研究及系统实现作为研究课题,在电影数据集上展开研究和实验,具体的主要工作如下:(1)本文首先介绍了电影角色推荐的背景和研究意义,并完成了电影领域本体库的构建。然后爬取了电影领域相关数据并完成了电影领域的知识抽取和存储工作。最后完成了电影知识图谱的构建,并对知识存储方式进行了改进,使用图数据库Neo4J来实现知识的存储。(2)本文详细介绍了基于知识图谱的推荐算法RippleNet。通过对RippleNet算法和电影角色推荐应用场景的研究和分析,以及与协同过滤算法和KGCN算法的对比实验,得出RippleNet算法可以较好完成电影角色推荐任务的结论。(3)本文在以上工作的基础之上,完成了电影角色推荐系统的设计与分析工作,包括系统的需求分析、系统总体设计、详细设计,以及电影角色推荐系统的实现和测试。
基于项目流行度与用户信任度的协同过滤推荐算法研究
这是一篇关于信息过载,协同过滤,项目流行度,用户信任度,融合参数的论文, 主要内容为随着云计算、物联网等新兴业务的飞速发展,各个领域的数据信息呈爆炸式增长,导致“信息过载”、“信息迷航”等问题的出现。为了帮助用户快速找到自己喜欢的产品,推荐系统应运而生。而推荐算法作为推荐系统的核心,已成为学者研究的热点。其中协同过滤算法成为最流行的方法之一,在推荐系统中被广泛地应用。然而许多推荐系统只考虑单一因素的影响,导致推荐准确性比较低,推荐效果不好,因此在传统算法的基础上考虑多个影响因素的推荐算法就十分重要。在传统算法基础上引入项目流行度和用户信任度两个影响因素,提出了基于项目流行度与用户信任度的协同过滤推荐算法(PPUTCF)。PPUTCF算法首先对项目流行度和用户信任度进行计算,然后通过融合参数采用线性加权方法将二者结合起来,通过多次迭代计算,获得融合参数最佳值,最后通过预测目标最近邻K值的变化得到多个评价指标的值,再根据评价指标值验证PPUTCF的性能。PPUTCF算法选取Epinion数据集进行实验验证。实验分为两步:一是分别引入项目流行度和用户信任度,通过训练集获得算法模型,得到稳定结果,然后利用测试集得到实验的MAE等评价指标的值,并将该实验结果与传统实验相比较。结果表明,该算法优于传统算法,但推荐推荐准确性较低。二是同时引入多个影响因素:项目流行度和用户信任度。通过训练集获得算法模型,获得融合参数最佳值0.35,然后通过测试集得到实验的MAE等评价指标的值,然后将实验实验结果分别与传统算法及上一步实验相比较。结果表明,PPUTCF算法优于传统算法及第一步实验算法,不仅有较好的推荐效果,推荐准确性也较高。
基于协同过滤的电影推荐系统的构建
这是一篇关于信息过载,推荐系统,协同过滤,预测准确度的论文, 主要内容为随着信息技术和互联网的飞速发展,人们渐渐的从信息匮乏的时代跨入了信息过载的时代。在这个充满信息的时代,无论是信息消费者还是生产者都面临着巨大的挑战:对于信息消费者来说,如何从海量信息中找到对自己有意义的信息是一件非常困难的事情;对于信息生产者来说,如何让自己的信息展现给对它们感兴趣的用户面前,也是一件非常困难的事情。个性化推荐算法应运而生,它就是解决这一矛盾的重要工具,实现了二者的双赢。对于一个推荐系统来说,如何利用和分析用户的历史信息并预测用户潜在感兴趣内容是本文研究的重点。协同过滤在个性互推荐领域中广泛应用,同时也存在稀疏性问题,冷启动问题,准确性问题,可扩展性等问题,本文针对这些问题提出了基于Slope One算法的改进算法,改进后的算法在计算用于对目标项目的评分值是引入了项目相似性,消除了项目相似性对评分值的影响,同时改进后的算法的保持了原算法的优点,在数据稀疏性问题上具有较好的适应性。本文的主要工作和创新性如下:1.构建了基于协同过滤的电影推荐系统。电影推荐系统采用传统的B/S三层架构,利用Struts2+Hibernate+Spring三大框架,MySql数据库,Tomcat服务器构建而成。系统可以有效的管理用户和电影相关信息,能为用户推荐其感兴趣的电影。2.提出了基于Slope One的改进算法。首先根据用户的历史评分数据计算项目间相似性,根据项目相似性为当前活跃用户选取最近邻居集合,然后计算目标项目与邻近项目的评分偏差,最后以项目相似性为分母计算当前活跃用户对目标项目的评分预测值。3.利用Movieslens数据集,采用预测准确度,TopN,覆盖率三个指标对改进的算法进行评测,并与原算法进行对比,实验表明改进后的算法不仅保持了原算法的优点,而且具有较高的预测准确度,同时在数据稀疏性问题上具有良好的适应性。
基于改进Apriori算法网上商城推荐系统的研究与设计
这是一篇关于网上商城,推荐系统,信息过载,推荐算法,数据挖掘的论文, 主要内容为由于最近几年信息技术与互联网发展速度持续上升,涌现出了一批新兴的网络购物模式,比如淘宝、天猫、京东以及亚马逊等,因此信息资源从有限转变成了过剩的局面。根据现阶段购物方式发生改变且信息冗余的情况,利用数据资源深度分析用户偏好,以此达成高交易率的目标,为当前最重要的任务。所以本文所涉及的网上商城和推荐系统都是基于该背景下进行建设和执行的。本课题最主要的目标是尽可能地实现更多的在线交易量。基于不收集用户需求的背景下,根据用户先前的购买记录展开研究,并使用分析数据搭建对应的模型,向用户推送极可能感兴趣以及想要的商品,以此增加商品曝光度,提升商品浏览量,最终实现商品交易的目的,与此同时加大商城收益并提高用户体验感。本文大体的研究框架是:首先创建出基于用户历史购买行为的网上商城,并通过大数据平台挖掘用户喜好,制定且实时更新用户个性化标签,利用推荐算法让用户主动浏览偏好商品。本次所研发的购物商城,其性能模块大致包含购物车、订单管理、商品管理以及用户偏好收集。具体而言,能够被用户偏好功能所收集到的行为有检索、查阅、选购、收藏以及评价。而对推荐算法产生影响的因素主要是店铺状况与用户行为,一方面店铺的销量情况、评论数量、好评条数、检索次数等都会对其排名推荐产生重要影响;另一方面用户的注册信息、风格偏好和我的收藏都会影响到商品的推送情况,除此之外,推荐算法还会自动过滤用户协同信息以及购物车商品协同,同时针对购物车商品还会推荐更优质的同质化商品。本课题的研究方法是分析出使用网上购物和推荐算法的原因,以此明确其所具有的现实价值。随后查阅相关推荐算法的文献资料,根据推荐算法的应用环境以及多类型的推荐算法展开了研究分析,最终建设成网上购物商城,生成用户偏好信息以及完成了基于算法的商品推送目标。
融合多源信息的社交网络推荐算法研究
这是一篇关于社交网络,信息过载,协同过滤,矩阵分解,社区化的论文, 主要内容为Web2.0时代人们日常生活已经离不开互联网,用户从被动接收信息到主动获取信息的转变,使得数据量增加且数据类型复杂多样。由于用户无法从海量信息中快速准确定位自己所需信息,随之产生了“信息过载”现象。“信息过载”问题存在于推荐系统中最主要的两种表现形式为数据稀疏性问题和数据可扩展性问题。协同过滤作为一种信息过滤技术,可用于解决当前推荐性能不佳的问题。因此,为了解决社交网络环境中推荐系统存在的数据稀疏性问题和数据可扩展性问题,本文以协同过滤为基础,融合社交网络信息进行算法研究。本文的主要工作和创新如下:1.针对社交网络推荐系统中存在的数据稀疏性问题,以概率矩阵分解方法作为推荐框架,将用户-项目特征属性、项目关联度、用户个人特征属性与社交特征属性这四部分信息按矩阵分解的方式结合在同一框架下实现协同过滤推荐算法的设计,并验证了面向社交网络环境下此推荐系统框架的有效性和可行性。通过实验数据仿真分析得出所提算法能有效解决推荐系统中的数据稀疏性问题,降低系统的平均绝对误差和均方根误差。2.大数据环境具有数据量大、数据更新快、数据利用率低的特点,而通过贴标签,利用标签事先对数据进行分类是提高数据利用率的一种有效方法。因此,针对社交网络推荐系统中存在的数据可扩展性问题,以协同过滤推荐为基础,结合智慧社区服务平台,将推荐问题转化为分类问题进行研究。此部分内容首先介绍了数据预处理方案;其次通过联合非负矩阵分解模型挖掘主题社区,将K均值聚类思想运用于分类中产生主题社区;最后,在产生Top-N推荐列表的过程中接入损失函数与Kullback-Leibler散度相结合的二度分离更新机制,进行数据动态更新求解最优解。实验结果表明提出的算法能有效解决推荐系统中的数据可扩展性问题,提高了系统的精准率和召回率。
具有控件智能推荐的可编程控制器开发环境研究与实现
这是一篇关于可编程控制器开发环境,IEC61131-3,信息过载,TF-IDF,推荐系统的论文, 主要内容为可编程控制器作为现代工业自动化三大支柱之一,在各种工业过程控制中得到极为广泛的应用。随着IEC61131-3标准的逐步推广,设计并实现一套符合IEC61131-3标准的、界面友好、设计高效的可编程控制器开发环境很有意义。现有的可编程控制器开发环境支持用户自定义控件。随着越来越多的用户加入使用,控件库中的控件数量会以几何级数增长。用户无法在短时间内寻找到自己想要的控件,编程效率低下。本文重点研究可编程控制器开发环境和控件智能推荐方法的设计与实现,具体内容如下:基于可重构软件模型的思想设计并实现了一种用户驱动的控件智能推荐方法。该方法借鉴向量空间模型把每个用户对控件的评价抽象成TF-IDF向量,并在改进算法中加入时间因素把评价抽象成Timed-TF-IDF向量。采用余弦相似度计算用户之间的相似度,基于用户协同过滤推荐控件。在研究IEC61131-3标准和分析现有的可编程控制器开发环境的基础上,对本文实现的可编程控制器开发环境进行需求分析和总体设计,将环境抽象为用户界面层、算法解析层和数据通信层三个部分。为了提供界面友好的、可维护性强的可编程控制器开发环境,本文搭建了类Visual Stdio界面的可嵌套的多窗体框架,设计并实现了基于XML描述的项目资源、自定义构件、硬件资源管理方法。除此之外,还实现了从梯形图到指令表的转换。在实现具有控件智能推荐的可编程控制器开发环境基础上,采用真实的用户历史编程数据对控件智能推荐方法进行验证,对比TF-IDF和Timed-TF-IDF的实验效果,分析协同过滤算法的推荐结果,证明了本文提出的控件智能推荐方法的可行性和有效性。
基于协同过滤的电影推荐系统的构建
这是一篇关于信息过载,推荐系统,协同过滤,预测准确度的论文, 主要内容为随着信息技术和互联网的飞速发展,人们渐渐的从信息匮乏的时代跨入了信息过载的时代。在这个充满信息的时代,无论是信息消费者还是生产者都面临着巨大的挑战:对于信息消费者来说,如何从海量信息中找到对自己有意义的信息是一件非常困难的事情;对于信息生产者来说,如何让自己的信息展现给对它们感兴趣的用户面前,也是一件非常困难的事情。个性化推荐算法应运而生,它就是解决这一矛盾的重要工具,实现了二者的双赢。对于一个推荐系统来说,如何利用和分析用户的历史信息并预测用户潜在感兴趣内容是本文研究的重点。协同过滤在个性互推荐领域中广泛应用,同时也存在稀疏性问题,冷启动问题,准确性问题,可扩展性等问题,本文针对这些问题提出了基于Slope One算法的改进算法,改进后的算法在计算用于对目标项目的评分值是引入了项目相似性,消除了项目相似性对评分值的影响,同时改进后的算法的保持了原算法的优点,在数据稀疏性问题上具有较好的适应性。本文的主要工作和创新性如下:1.构建了基于协同过滤的电影推荐系统。电影推荐系统采用传统的B/S三层架构,利用Struts2+Hibernate+Spring三大框架,MySql数据库,Tomcat服务器构建而成。系统可以有效的管理用户和电影相关信息,能为用户推荐其感兴趣的电影。2.提出了基于Slope One的改进算法。首先根据用户的历史评分数据计算项目间相似性,根据项目相似性为当前活跃用户选取最近邻居集合,然后计算目标项目与邻近项目的评分偏差,最后以项目相似性为分母计算当前活跃用户对目标项目的评分预测值。3.利用Movieslens数据集,采用预测准确度,TopN,覆盖率三个指标对改进的算法进行评测,并与原算法进行对比,实验表明改进后的算法不仅保持了原算法的优点,而且具有较高的预测准确度,同时在数据稀疏性问题上具有良好的适应性。
融合上下文信息的深度推荐模型的研究
这是一篇关于信息过载,推荐系统,卷积神经网络,协同过滤算法的论文, 主要内容为随着当前科学与技术的发展,推荐系统已经被广泛应用到人们的日常生活中,以缓解信息过载的问题。近年来,基于协同过滤技术的推荐算法被人们广泛使用,并且在Netflix大赛备受关注。但是随着用户规模的日益增加,用户-项目评分矩阵的稀疏性会导致推荐精度的下降。一些推荐技术使用文本信息等辅助信息来提高推荐精度,在众多使用文本信息的混合推荐系统中,卷积矩阵分解(Conv MF)使用卷积神经网络能够提取文本的上下文信息,取得了比其他基于词袋模型的混合推荐算法更好的推荐效果,但是该方法在提取用户信息时仍依赖浅层模型,当评分数据较大时,推荐效果往往不太理想。为了提高推荐精度并且能够缓解推荐系统中数据稀疏问题,本文首先提出一种深度融合模型(Deep FM)。该模型由两路神经网络组成,其中一路神经网络使用多层感知器提取评分矩阵中的行向量从而得到用户潜在特征向量,另一路则使用多层感知器和卷积神经网络共同建模从而获取额外的文本上下文信息构成项目潜在特征向量。最后,通过构建融合层的方法将用户特征信息和项目特征信息进行融合得出预测评分,并且通过在Movie Lens数据集和亚马逊数据集进行对比实验,Deep FM模型的性能优于基线模型。然后,为了能够更好地提取文本信息,本文对Deep FM中的卷积神经网络结构做了进一步改进,首先引入注意力机制对词向量进行拓展从而突出文本的重要信息。其次,在卷积计算后进行跨通道融合,从而学习不同通道间的联系生成更加丰富的文本特征信息,并且在Movie Lens数据集进行实验对比,证明了改进后的方法具有更高的推荐精度。
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：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/46777.html
