面向汽车维修电子健康档案数据的异常检测研究
这是一篇关于汽车维修记录数据,异常检测,自动编码器,知识图谱,深度偏差网络的论文, 主要内容为随着我国汽车保有量的快速增长,汽车维修行业已经成为事关人民群众生活质量的重要民生服务业。汽车维修电子健康档案是汽车维修行业的核心数据,在汽车维修电子健康档案采集和应用过程中,发现其中存在大量异常汽车维修记录数据,正确检测出正常和异常汽车维修记录数据对保障消费者合法权益,改善汽车维修行业的管理效率和服务品质,促进汽车维修行业转型升级,提升人民群众的车生活水平具有重要意义。针对异常汽车维修记录数据存在的现实问题,本文主要完成的工作如下:(1)针对异常汽车维修记录数据的检测问题,提出了一种基于深度稀疏自动编码器的汽车维修记录数据异常检测模型。利用Doc2vec和Glove模型将原始数据中的自然语言描述字段表示为算法可执行的向量,为了提高模型的重构编码能力,通过在深度自动编码器的编码器首层加入一维正则稀疏抑制,只允许少量的神经元激活,让模型学习到数据更具有代表性的特性。利用正常数据和异常数据的重构误差实现异常判别。(2)针对汽车维修记录数据中蕴含丰富维修知识,构建了汽车维修技术知识图谱。首先在领域内的专家的指导下制定了汽车维修领域内的实体和关系分类体系,然后基于分类体系构建出汽车维修技术知识图谱,针对构建的汽车维修技术知识图谱进行实体与关系分析、网络量化分析和复杂网络分析,表明构建出的汽车维修技术知识图谱的规模不会随着汽车维修记录数据增加而无限增加且满足复杂网络的特点。(3)针对构建的汽车维修技术知识图谱中含有异常图数据的问题,提出了一种基于深度偏差网络的汽车维修技术图数据的异常检测模型。利用Graph2vec将初始图数据转化为向量数据,为了提高的异常检测效果,利用将特征表示学习和异常检测相结合的深度偏差神经网络对汽车维修技术图数据进行异常检测,利用正常数据和异常数据的异常分数实现异常判别。
基于迁移学习的视频信息推荐模型研究与应用
这是一篇关于视频推荐,迁移学习,自动编码器,交叉注意,应用系统的论文, 主要内容为互联网技术加速社会发展,多媒体信息为人们提供视觉享受,其中视频推荐是多媒体网络视频服务的重要环节。为改善由数据稀疏削弱推荐质量,将迁移学习与视频推荐相结合,已成为当前研究解决数据稀疏方案的热点之一。为此,本文开展对视频推荐模型的优化研究及其应用,并设计实现了一个视频推荐系统。主要研究工作和成果包括:1)提出基于迁移空洞卷积的视频自动编码器模型(Transfer Dilated Convolutions Auto Encoder,TDCAE)。通过对视频序列特征分类划分,如视频类别划分、视频数值划分和视频文本划分,通过主成分分析技术PCA以及提出的Co-video2Vec方法对上述划分降维融合,实现视频特征序列向量化并改善数据稀疏。用户在网页端或APP应用中浏览视频时,将产生相应用户交互点击行为序列,结合源域数据对目标域跨域迁移思想,利用该交互数据预训练模型提取用户潜在特征,迁移至目标域来解决数据稀疏,更好的预测用户偏好。并提出改进自动编码器,引入空洞卷积来增强网络感受野,降低计算复杂度。实验选取不同长度用户交互行为序列和不同层级自动编码器,探究模型对用户偏好预测的准确性,Cold Rec数据集上的实验结果表明,相比Deep FM、DIN、UPCC等模型,TDCAE模型具有更好的视频推荐性能。2)提出基于交叉注意力机制的迁移推荐优化方案。通过研究深度神经网络和注意力机制提取源域中数据关键评分属性特征,利用交叉注意力单元块实现源域有效参数高效迁移,而不必更新模型全部参数权重。不仅缓解评分稀疏冷启动问题,还能为用户重点关注的视频数据赋予更高权重,推送更侧重用户偏好的视频服务。实验结果表明,本文提出的优化方案有更佳的表现能力。3)采用基于Spring Boot+Vue.js+MyB atis+ffmpeg等框架开发基于迁移学习的视频推荐系统。本系统包括用户登录注册、用户信息管理、视频信息管理、用户反馈管理、视频推荐管理等功能模块。测试表明,本文设计的系统已达到预期功能,并且扩展性和稳定性均较好。
基于迁移学习的视频信息推荐模型研究与应用
这是一篇关于视频推荐,迁移学习,自动编码器,交叉注意,应用系统的论文, 主要内容为互联网技术加速社会发展,多媒体信息为人们提供视觉享受,其中视频推荐是多媒体网络视频服务的重要环节。为改善由数据稀疏削弱推荐质量,将迁移学习与视频推荐相结合,已成为当前研究解决数据稀疏方案的热点之一。为此,本文开展对视频推荐模型的优化研究及其应用,并设计实现了一个视频推荐系统。主要研究工作和成果包括:1)提出基于迁移空洞卷积的视频自动编码器模型(Transfer Dilated Convolutions Auto Encoder,TDCAE)。通过对视频序列特征分类划分,如视频类别划分、视频数值划分和视频文本划分,通过主成分分析技术PCA以及提出的Co-video2Vec方法对上述划分降维融合,实现视频特征序列向量化并改善数据稀疏。用户在网页端或APP应用中浏览视频时,将产生相应用户交互点击行为序列,结合源域数据对目标域跨域迁移思想,利用该交互数据预训练模型提取用户潜在特征,迁移至目标域来解决数据稀疏,更好的预测用户偏好。并提出改进自动编码器,引入空洞卷积来增强网络感受野,降低计算复杂度。实验选取不同长度用户交互行为序列和不同层级自动编码器,探究模型对用户偏好预测的准确性,Cold Rec数据集上的实验结果表明,相比Deep FM、DIN、UPCC等模型,TDCAE模型具有更好的视频推荐性能。2)提出基于交叉注意力机制的迁移推荐优化方案。通过研究深度神经网络和注意力机制提取源域中数据关键评分属性特征,利用交叉注意力单元块实现源域有效参数高效迁移,而不必更新模型全部参数权重。不仅缓解评分稀疏冷启动问题,还能为用户重点关注的视频数据赋予更高权重,推送更侧重用户偏好的视频服务。实验结果表明,本文提出的优化方案有更佳的表现能力。3)采用基于Spring Boot+Vue.js+MyB atis+ffmpeg等框架开发基于迁移学习的视频推荐系统。本系统包括用户登录注册、用户信息管理、视频信息管理、用户反馈管理、视频推荐管理等功能模块。测试表明,本文设计的系统已达到预期功能,并且扩展性和稳定性均较好。
基于迁移学习的视频信息推荐模型研究与应用
这是一篇关于视频推荐,迁移学习,自动编码器,交叉注意,应用系统的论文, 主要内容为互联网技术加速社会发展,多媒体信息为人们提供视觉享受,其中视频推荐是多媒体网络视频服务的重要环节。为改善由数据稀疏削弱推荐质量,将迁移学习与视频推荐相结合,已成为当前研究解决数据稀疏方案的热点之一。为此,本文开展对视频推荐模型的优化研究及其应用,并设计实现了一个视频推荐系统。主要研究工作和成果包括:1)提出基于迁移空洞卷积的视频自动编码器模型(Transfer Dilated Convolutions Auto Encoder,TDCAE)。通过对视频序列特征分类划分,如视频类别划分、视频数值划分和视频文本划分,通过主成分分析技术PCA以及提出的Co-video2Vec方法对上述划分降维融合,实现视频特征序列向量化并改善数据稀疏。用户在网页端或APP应用中浏览视频时,将产生相应用户交互点击行为序列,结合源域数据对目标域跨域迁移思想,利用该交互数据预训练模型提取用户潜在特征,迁移至目标域来解决数据稀疏,更好的预测用户偏好。并提出改进自动编码器,引入空洞卷积来增强网络感受野,降低计算复杂度。实验选取不同长度用户交互行为序列和不同层级自动编码器,探究模型对用户偏好预测的准确性,Cold Rec数据集上的实验结果表明,相比Deep FM、DIN、UPCC等模型,TDCAE模型具有更好的视频推荐性能。2)提出基于交叉注意力机制的迁移推荐优化方案。通过研究深度神经网络和注意力机制提取源域中数据关键评分属性特征,利用交叉注意力单元块实现源域有效参数高效迁移,而不必更新模型全部参数权重。不仅缓解评分稀疏冷启动问题,还能为用户重点关注的视频数据赋予更高权重,推送更侧重用户偏好的视频服务。实验结果表明,本文提出的优化方案有更佳的表现能力。3)采用基于Spring Boot+Vue.js+MyB atis+ffmpeg等框架开发基于迁移学习的视频推荐系统。本系统包括用户登录注册、用户信息管理、视频信息管理、用户反馈管理、视频推荐管理等功能模块。测试表明,本文设计的系统已达到预期功能,并且扩展性和稳定性均较好。
面向协同过滤集成的哈希学习方法研究
这是一篇关于推荐系统,协同过滤,哈希学习,自动编码器,边信息,离散优化的论文, 主要内容为随着网络服务的迅速发展,推荐系统在帮助人们高效利用各种信息方面扮演着越来越重要的角色。协同过滤推荐是构建和实现推荐系统的重要技术手段之一,其主要根据用户对物品的历史评分记录完成个性化推荐。但是,与之前相比,如今网络服务中用户和物品数量与日俱增,进而导致效率问题日趋成为阻碍推荐系统进一步发展的技术瓶颈。目前,常见的方法就是在协同过滤推荐中利用哈希算法将用户和物品的特征表示转换为二值编码,据此就可以在海明空间进行快速高效的推荐。然而,现有的一些协同过滤哈希学习算法由于对连续向量空间的数据几何建模过于简化且采用“两阶段”学习模式,这种处理方式通常会产生很大的编码损失,使得此类方法不得不采用较长的编码位数弥补损失,而长编码又会造成额外的开销,这与先前采用哈希算法寻求便捷高效的推荐动机背道而驰。有鉴于此,本文针对如何在协同过滤推荐中学习高质量的二值编码展开了深入的分析和讨论,具体内容如下:(1)针对由于对原空间数据建模过于简化所导致的较大编码损失,本文提出了一个二值协同过滤集成算法,该算法通过在海明空间的矩阵分解模型的基础上加入了基于用户和物品的锚点近似平滑约束项,使原始连续向量空间数据的近邻结构能被更好地存储在海明空间的二值编码中。针对两阶段方法的弊端,本文提出了一个类离散优化方法,将量化阶段集成在优化过程中,尽可能地避免了优化过程中的编码损失。(2)针对仅使用历史评分数据的局限性,为了在二值编码中存储更多原空间中重要的信息,本文利用自动编码器对评分信息及边信息进行联合特征表示学习,用其辅助后续二值编码学习。(3)针对用户和物品特征表示的独特性,本文在二值协同过滤集成框架中融入了个体特征的平滑约束项,使得所学二值表示能够在保持结构特性的基础上不失自身的独特性。针对类离散优化的局限性,本文进一步提出了离散优化的解决方案,使得所提算法能够直接学习更短的二值编码,从根本上避免优化损失。通过在三个公开数据集上进行实验,证明了所提出的多种二值协同过滤集成方法较之于现有的协同过滤哈希算法能够得到质量更高的二值编码,与此同时还能进行更为高效、准确的个性化推荐。
基于深度神经网络和时空感知的兴趣点推荐算法
这是一篇关于基于位置社交网络,兴趣点推荐,自动编码器,时空感知的论文, 主要内容为随着基于位置的社交网络(Location Based Social Network,LBSN)不断地快速进步,个性化兴趣点推荐也逐渐流行,它可以帮助用户发现其可能感兴趣的位置。然而,由于兴趣点推荐是一种隐式反馈,使得用户-兴趣点之间交互存在困难,如果没有对用户签到行为进行“区别对待”,会导致对用户偏好的挖掘不够准确,而且由于用户的签到数量在整个位置社交网络中只占很小的比例,使得签到数据存在高稀疏性问题。因此如何有效的提高兴趣点推荐的性能,成为了亟待解决的问题。本文针对上述局限以及根据兴趣点推荐的特性,提出了两种兴趣点推荐算法。首先,针对现有兴趣点推荐系统平等的看待用户签到行为,不能准确反映用户偏好等问题,本文经过深入分析深度神经网络与推荐系统相结合,利用基于自动编码器的深度神经网络结构来学习用户的签到偏好。该算法通过编码器的隐藏层得到用户的隐藏向量表示;然后在学习隐藏向量表示时,加入地理位置和社会关系的影响,进一步提升性能;并且在编码器编码过程中加入了注意力机制,通过多维注意力机制,从用户的历史签到记录中自适应的区分用户偏好,最后得到用户去到未访问兴趣点的签到概率,并对其进行降序排序,从而确定真正的兴趣点推荐列表。其次,针对现有兴趣点推荐系统对用户签到信息中相关属性挖掘不充分,导致了数据稀疏等问题,本文通过利用位置社交网络中的多种签到特征融合的方式进行兴趣点推荐。该算法利用位置社交网络签到数据集中的签到时间、地理位置和兴趣点类别等上下文特征,找到它们之间存在的潜在关系并分别计算它们之间的相关性,之后得到时间维度的签到偏好、地理位置维度的签到偏好以及类别维度上的签到偏好,融合了签到时间、地理位置和兴趣点类别,将三个维度的签到偏好综合并得到最终用户签到偏好,从而确定兴趣点推荐列表。最后,针对上述本文所提出的两种兴趣点推荐算法,通过将本文算法与已有的一些算法在Foursquare和Gowalla两个数据集上进行了广泛的实验对比及分析,证明了本文所提兴趣点推荐算法可以提高推荐性能。
基于迁移学习的视频信息推荐模型研究与应用
这是一篇关于视频推荐,迁移学习,自动编码器,交叉注意,应用系统的论文, 主要内容为互联网技术加速社会发展,多媒体信息为人们提供视觉享受,其中视频推荐是多媒体网络视频服务的重要环节。为改善由数据稀疏削弱推荐质量,将迁移学习与视频推荐相结合,已成为当前研究解决数据稀疏方案的热点之一。为此,本文开展对视频推荐模型的优化研究及其应用,并设计实现了一个视频推荐系统。主要研究工作和成果包括:1)提出基于迁移空洞卷积的视频自动编码器模型(Transfer Dilated Convolutions Auto Encoder,TDCAE)。通过对视频序列特征分类划分,如视频类别划分、视频数值划分和视频文本划分,通过主成分分析技术PCA以及提出的Co-video2Vec方法对上述划分降维融合,实现视频特征序列向量化并改善数据稀疏。用户在网页端或APP应用中浏览视频时,将产生相应用户交互点击行为序列,结合源域数据对目标域跨域迁移思想,利用该交互数据预训练模型提取用户潜在特征,迁移至目标域来解决数据稀疏,更好的预测用户偏好。并提出改进自动编码器,引入空洞卷积来增强网络感受野,降低计算复杂度。实验选取不同长度用户交互行为序列和不同层级自动编码器,探究模型对用户偏好预测的准确性,Cold Rec数据集上的实验结果表明,相比Deep FM、DIN、UPCC等模型,TDCAE模型具有更好的视频推荐性能。2)提出基于交叉注意力机制的迁移推荐优化方案。通过研究深度神经网络和注意力机制提取源域中数据关键评分属性特征,利用交叉注意力单元块实现源域有效参数高效迁移,而不必更新模型全部参数权重。不仅缓解评分稀疏冷启动问题,还能为用户重点关注的视频数据赋予更高权重,推送更侧重用户偏好的视频服务。实验结果表明,本文提出的优化方案有更佳的表现能力。3)采用基于Spring Boot+Vue.js+MyB atis+ffmpeg等框架开发基于迁移学习的视频推荐系统。本系统包括用户登录注册、用户信息管理、视频信息管理、用户反馈管理、视频推荐管理等功能模块。测试表明,本文设计的系统已达到预期功能,并且扩展性和稳定性均较好。
基于大数据分析的电商用户购买行为预测方法研究
这是一篇关于行为预测,特征提取,自动编码器,Xgboost,模型融合的论文, 主要内容为随着大数据和互联网的发展,海量用户更倾向于在线购物。通过分析这些用户与商品信息之间的联系来探究其行为习惯和潜在的购买需求是现今电商企业需要研究的重点问题。因此,本文提出了一种基于SAE-Stacking的电商用户重复购买行为预测方法,研究内容与成果包括:(1)针对电商用户行为数据庞大且杂乱的问题,研究给出了基于数据均衡化与可视化的数据处理方法。首先,对原始数据集进行清洗,通过混合采样的方式使数据均衡化,再对均衡数据作归一化处理;然后,对数据进行可视化分析,进一步挖掘数据内部规律;最后,从用户、商户、用户—商户三个角度构建特征集合。(2)针对人工提取特征泛化能力差的问题,引入深度学习算法,研究提出一种基于SAE-Xgboost的电商用户复购行为预测方法。依据重构误差和随机梯度下降算法建立三层SAE特征提取模型,利用Xgboost算法对用户复购行为进行预测。仿真结果表明,与Xgboost和PCA-Xgboost相比,SAE-Xgboost具有最高的预测准确率。(3)针对单一预测模型泛化性能差、预测精度不够高的问题,提出了基于Stacking集成方法的电商用户复购行为预测模型。采用5折交叉验证法对LR、SVM和Xgboost三种分类模型进行异质融合。仿真结果表明:相比于AE-SVM和SAE-Xgboost,SAE-Stacking模型的预测准确率提高了3%～5%,不仅达到更高的预测准确度,同时有更强的泛化能力。总之,论文的研究对电商企业用户行为预测、设计推荐系统、进一步实现精准营销等方面有重要的参考意义和应用价值。
基于迁移学习的视频信息推荐模型研究与应用
这是一篇关于视频推荐,迁移学习,自动编码器,交叉注意,应用系统的论文, 主要内容为互联网技术加速社会发展,多媒体信息为人们提供视觉享受,其中视频推荐是多媒体网络视频服务的重要环节。为改善由数据稀疏削弱推荐质量,将迁移学习与视频推荐相结合,已成为当前研究解决数据稀疏方案的热点之一。为此,本文开展对视频推荐模型的优化研究及其应用,并设计实现了一个视频推荐系统。主要研究工作和成果包括:1)提出基于迁移空洞卷积的视频自动编码器模型(Transfer Dilated Convolutions Auto Encoder,TDCAE)。通过对视频序列特征分类划分,如视频类别划分、视频数值划分和视频文本划分,通过主成分分析技术PCA以及提出的Co-video2Vec方法对上述划分降维融合,实现视频特征序列向量化并改善数据稀疏。用户在网页端或APP应用中浏览视频时,将产生相应用户交互点击行为序列,结合源域数据对目标域跨域迁移思想,利用该交互数据预训练模型提取用户潜在特征,迁移至目标域来解决数据稀疏,更好的预测用户偏好。并提出改进自动编码器,引入空洞卷积来增强网络感受野,降低计算复杂度。实验选取不同长度用户交互行为序列和不同层级自动编码器,探究模型对用户偏好预测的准确性,Cold Rec数据集上的实验结果表明,相比Deep FM、DIN、UPCC等模型,TDCAE模型具有更好的视频推荐性能。2)提出基于交叉注意力机制的迁移推荐优化方案。通过研究深度神经网络和注意力机制提取源域中数据关键评分属性特征,利用交叉注意力单元块实现源域有效参数高效迁移,而不必更新模型全部参数权重。不仅缓解评分稀疏冷启动问题,还能为用户重点关注的视频数据赋予更高权重,推送更侧重用户偏好的视频服务。实验结果表明,本文提出的优化方案有更佳的表现能力。3)采用基于Spring Boot+Vue.js+MyB atis+ffmpeg等框架开发基于迁移学习的视频推荐系统。本系统包括用户登录注册、用户信息管理、视频信息管理、用户反馈管理、视频推荐管理等功能模块。测试表明,本文设计的系统已达到预期功能,并且扩展性和稳定性均较好。
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：毕设工坊 ，原文地址：https://m.bishedaima.com/lunwen/46862.html
