8篇关于兴趣偏好的计算机毕业论文

今天分享的是关于兴趣偏好的8篇计算机毕业论文范文, 如果你的论文涉及到兴趣偏好等主题,本文能够帮助到你

基于BERT的新颖性推荐系统研究与实现

这是一篇关于深度学习,推荐系统,兴趣偏好,新颖性推荐,聚类的论文, 主要内容为近年来,随着互联网时代中人工智能、大数据等高新技术的快速发展,互联网中的信息数据量呈指数增长,人们从海量的信息数据中找到目标信息变得十分困难。服务商向人们提供高质量的推荐服务,可以有效减少获取目标信息的时间成本,以及提高人们对服务提供商的粘度,增加平台的收益。在高质量的推荐服务中,推荐模型会对用户的行为数据进行数据挖掘,提取用户的兴趣偏好,从而提供个性化推荐服务。当前,推荐模型的研究取得了一定的进展,但在模型的性能和推荐结果满意度上依然有改进的空间。本课题基于深度学习技术研究用户的行为模式,挖掘用户的长短期兴趣偏好,设计多阶段推荐方案中的模型和方法,并开发推荐系统,为用户提供高质量的推荐服务,具体内容如下:(1)基于BERT的新颖性推荐研究。针对现有推荐模型和方法忽略用户兴趣偏好是动态变化的问题,以及在一定时内会提供同质化电影的问题,论文在多阶段推荐方案中设计了多个模型和方法。首先,在召回层提出一种基于用户兴趣建模的召回模型,充分利用BERT网络挖掘用户行为序列中的特征信息,缩小排序层的搜索范围。其次,在排序层提出一种融合时间感知与兴趣偏好的推荐模型,设计时间函数获取时间位置信息,利用时序卷积网络和BERT网络捕获序列中的细粒度关系,从而得到高质量的Top-N推荐列表。最后,在重排序层提出一种基于用户兴趣聚类的新颖性推荐方法,利用Mean-Shift聚类算法获取用户的兴趣簇,设计新颖激活函数增加非线性特征,实现Top-N推荐列表重排序,完成新颖性推荐。在公开数据集上进行实验,对比现有模型和方法,在各评价指标上均有明显的提升。(2)设计并实现一个基于BERT的新颖性推荐系统。基于多阶段推荐方案中提出的模型和方法,从软件开发的角度对推荐系统进行需求分析与设计,明确推荐系统的功能和非功能需求,科学规划系统的整体架构,并基于B/S体系结构,采用Django后端框架和HTML+Vue.js前端框架实现基于BERT的新颖性推荐系统。通过系统测试,该系统具有良好的兼容性和响应速度,以及正确地好提供高质量的、新颖的推荐服务。

基于用户特征和信任度的推荐算法研究与实现

这是一篇关于推荐系统,协同过滤,时间因素,兴趣偏好,信任关系,User-CT算法的论文, 主要内容为信息量随着互联网的急剧发展呈爆炸式增长,导致用户在面对大量信息时很难从中获取真正有用的信息,推荐系统的出现在很大程度上解决了信息过载问题。协同过滤推荐算法凭借其出色的推荐质量,在推荐领域中广泛应用。协同过滤推荐算法通过分析用户的历史行为挖掘用户的喜好,找到与目标用户志趣相投的用户群体,综合他们的评价,预测目标用户对指定物品的评分。在真实环境中,随着用户和物品数量的急速增加,冷启动、数据稀疏性以及时效性等问题逐渐暴露出来,严重影响了协同过滤推荐算法的推荐质量。针对上述问题,本文对协同过滤推荐算法展开深入研究,提出了基于用户特征和信任度的推荐算法,简称User-CT算法。本文主要研究内容如下:1、针对用户评分尺度不同和评分矩阵稀疏而造成的相似度计算结果准确性低的问题,对用户的主观评分进行归一化处理;建立用户动态兴趣偏好模型,从用户的高评分中进一步挖掘用户的真实喜好,并且考虑时间因素,可以保证推荐的时效性。2、传统的协同过滤推荐算法通过用户间共同评分项目度量用户间的相似度,忽略了不存在共同评分项目的用户间的潜在关系,而这恰恰对推荐结果也有着至关重要的影响,所以建立用户信任关系模型,挖掘不存在共同评分用户间的关系。在改进的用户相似度基础上融合用户信任度,可以使得预测评分更加准确,数据稀疏性问题也有所缓解。3、传统的协同过滤推荐算法中仅仅依赖用户历史行为进行推荐,忽略了用户本身的属性特征,而用户的属性特征与用户的喜好也有一定的关系,所以引入用户人口统计属性特征预测评分,一定程度上解决了用户冷启动问题。4、将User-CT与传统的协同过滤推荐算法在MovieLens数据集上进行对比实验,实验结果表明本文提出的算法较传统的协同过滤推荐算法在推荐准确度和性能上有更好的表现,并结合实验对加权参数的选取给出了一些建议。5、以User-CT算法为核心,使用SSM框架和Bootstrap框架设计并实现了一个完整的美食推荐系统。

基于BERT的新颖性推荐系统研究与实现

融合用户兴趣偏好的混合协同过滤算法研究

这是一篇关于协同过滤,兴趣偏好,近邻选择,长尾项目,矩阵填充的论文, 主要内容为近年来,随着网络技术的高速发展以及“个性化”思想的提出,传统的推荐系统已无法满足人们的需求,各大电商平台为抢占先机,纷纷推出自己的个性化推荐系统。个性化推荐系统,顾名思义,就是通过挖掘用户信息,针对不同的用户,返回因人而异的结果列表。但是,在现实生活中,出于隐私保护的问题,这些推荐系统往往无法获得用户的过多信息,从而也很难实现真正意义上的个性化推荐。如何从仅有的一些信息中挖掘出用户的真实搜索意图,一直是个性化推荐系统研究的热点和难点。目前,个性化推荐系统广泛使用的是协同过滤算法,这种算法虽然在一定程度上能起到个性化的效果,但是在面对现实生活中普遍存在的长尾现象(大多数的数据信息集中在少数用户和项目中)时,通常很难达到预期。本文针对协同过滤算法中评分数目分布不均的问题展开研究,提出了两点改进之处。首先,在计算用户相似度时引入了用户的兴趣偏好,并且在寻找最近邻时采用分布寻找的方法,即设定两个相似性阈值,根据阈值选择最近邻。然后,在评分预测中,通过填充评分矩阵中长尾项目的评分,来弥补评分数据不足带来的推荐误差。算法具体内容如下:(1)针对用户评分数据分布不均的问题,提出了融合用户兴趣偏好的近邻选择协同过滤算法。首先根据用户评分项目的标签,利用TF-IDF的思想,计算用户对标签的兴趣度,构建用户的兴趣偏好向量,从而计算用户在兴趣上的相似性;然后通过设定合适的相似性因子,计算用户在兴趣和评分上的综合相似性;最后根据综合相似性和评分相似性设定合适阈值,选择综合相似性大于设定值,并且评分相似性也大于设定值的用户作为当前用户的严格近邻用户,从而进行评分预测,根据评分将项目推荐给用户。(2)针对大多数项目只有少数评分的情况,对融合用户兴趣偏好的近邻选择协同过滤算法进一步改进,提出了一种常规项目和长尾项目的混合协同过滤算法。在该方法中,首先根据用户和项目的评分数量,将用户划分为活跃用户和不活跃用户,项目划分为常规项目和长尾项目;然后对于常规项目采用融合用户兴趣偏好的近邻选择协同过滤算进行评分预测,对于长尾项目则是先通过预测活跃用户对长尾项目的评分,用于填充评分矩阵中的缺失值,然后再预测长尾项目的评分;最后合并常规项目和长尾项目的评分进行推荐。最后,文中对上述算法进行了实验分析比较。

基于信任机制的协同过滤和关联规则混合推荐模式研究

这是一篇关于协同过滤,个性化推荐,信任机制,兴趣偏好,关联规则的论文, 主要内容为随着互联网技术的日益发展,社交网络、电子商务、各种应用蓬勃发展,但是海量数据信息在满足用户需求的同时也造成了信息过载问题,迅速找到有效且合理的信息越来越困难,个性化推荐技术作为解决信息过载问题的手段之一,能够根据众多的历史交互行为分析用户的兴趣偏好,向用户提供其可能感兴趣的信息,辅助用户决策。协同过滤技术作为使用最成功和最广泛的推荐技术之一,至今仍面临着数据稀疏性和冷启动等问题。社交网络的发展给推荐技术带来新的方向,将社交网络中好友关系引入传统协同过滤方法中,通过信任机制进行衡量,能够有效改善数据稀疏性等问题,提高推荐精度,成为目前研究推荐技术的重要方向之一。本文以改进协同过滤技术为目标,致力于改善数据稀疏性、冷启动等问题,提高推荐系统的推荐精度。首先将社交网络中的“信任机制”,即“用户信任的好友能够给用户带来一个正向的推荐结果,是经过对交互历史的考虑之后判断可能会产生的一种有利结果”引入到协同过滤技术中,在用户-项目评分矩阵和用户间的信任矩阵的基础上,充分计算用户间的间接信任度以填充信任矩阵,最后基于用户相似度和信任度的三种预测方式的比较提出一种基于信任机制的协同过滤推荐模式。为了进一步优化这种方法,先后融合用户兴趣偏好和关联规则算法,前者通过用户间的兴趣相似性对目标用户的好友进一步过滤,后者挖掘项目间的潜在相关性,与协同过滤进行混合推荐,解决新用户推荐问题。此外,本文提出的推荐模式均在FilmTrust网站公开数据集上进行准确性等实验研究,结果表明此方法能够有效改善冷启动问题,提高推荐精度。最后分析了研究模型的不足之处和未来继续改进的方向。

个性推荐算法研究及其在智能零售系统中的应用

这是一篇关于自动售货机,推荐系统,协同过滤,兴趣偏好,相似度的论文, 主要内容为随着我国经济飞速发展,房地产业也呈现出如火如荼的发展趋势,造成了繁华地段租金的大幅上涨,国内实体零售受到了很大冲击。与此同时社会人口的老龄化导致人力成本不断提高,人工花费疯涨。因此近年来,方便、快捷、低成本的自动售货机行业发展迅猛。同时,人们生活节奏不断加快,用户消费时间变得越来越“碎片化”。此外随着“私人订制”的个性化消费观念开始被广泛地推崇,传统的自动售货机行业面临着不小的挑战。为了满足消费者个性化需求,只有制定个性化的销售方案,才能使自动售货机行业长久地发展下去。如何在丰富的商品种类中为消费者推荐其可能感兴趣的商品,节约消费者的时间是当前亟待解决的问题。本文在研究了个性推荐系统的国内外现状基础上,对其基本概念、分类和框架做了探讨,对目前常见的个性推荐算法作了比较,重点研究了基于用户的协同过滤算法。针对其中相似性过度预测的可能性,引入了修正因子,提出了优化Pearson相似度计算公式的基于用户的协同过滤算法。本文分析了引入基于项目的协同过滤算法的必要性,简述了基于项目协同过滤的基本概念,提出优化的基于用户-项目混合的协同过滤算法。结合具体数据集进行了实验方案的设计与实现,验证了改进的推荐算法的可行性和准确性。基于上述改进算法,结合自动售货机的实际需求,设计了一个自动售货机推荐系统,实现了对用户的个性推荐以及后台的推荐管理功能。最后给出了系统相关模块界面和操作流程,证明了该个性推荐系统具有较高的实用价值。

个性化运动处方推荐系统的研究与设计

这是一篇关于推荐系统,运动处方,协同过滤,相似度,兴趣偏好的论文, 主要内容为近年来,国民经济迅速发展,人们生活水平不断提高,在关注生活品质的同时,自身健康问题也越来越受到重视。大众对于健身的观念也发生了转变,人们不再满足于通过医疗器械健身,或者是盲目的健身计划,而是寻求更加专业的、有计划的健身方式,从而可以避免盲目性的健身。例如肥胖是一个日益严重的公共健康问题,已经发展为流行病,肥胖是引发糖尿病、高血压、冠心病的重要危险因素,甚至还会让孩子面临心理和社交上的问题。除了控制饮食,合理的运动对这种慢性病的预防和治疗有显著的作用,“运动是良医”的理念已经深深影响到国人。因此,如何给用户提供一个切实可行的运动处方方案,成为了大众的关心点。针对这个问题,个性化推荐技术是一个行之有效的解决方法,它可以帮助用户在大量的运动处方中选择最适合自己的,使运动处方更加符合用户的需求。为了更好地将推荐技术与运动处方相结合,给用户推荐更加满意的运动处方,本文通过研究推荐算法的有关内容,并分析当前已存在的个性化运动处方推荐方法,经过对各种推荐方法的比较,提出了一种以聚类为基础的运动处方方法,然后再结合用户的爱好,对运动处方的运动项目做出调整,为用户提供更加个性化、更加准确的运动处方。本文的主要研究工作如下:(1)本文提出一种基于K-means聚类的运动处方推荐方法。通过用户的特征信息聚类,同类中的特征具有相似性,新用户与每个簇的中心点进行比较,得出用户所在的簇,然后进行相似度比较,得出特征相似度最高的用户,并推荐其运动处方,即初步的个性化运动处方。(2)本文提出了一种基于用户偏好的推荐方法,通过分析新用户的特征信息,得到用户的偏好特征,通过偏好特征研究用户可能感兴趣的运动项目,然后对初步的个性化运动处方做出调整,推荐最终的个性化运动处方。(3)本文设计了一个APP应用,将该算法应用到该系统中,实现了系统的主要功能。