7篇关于三支决策的计算机毕业论文

今天分享的是关于三支决策的7篇计算机毕业论文范文, 如果你的论文涉及到三支决策等主题,本文能够帮助到你

基于三支决策的网络表征学习的推荐系统方法研究

这是一篇关于推荐系统,网络表征学习,三支决策,图神经网络,组推荐的论文, 主要内容为大数据时代的来临,使得人们从海量数据中获取感兴趣的项目与内容愈发困难。为了构建用户和项目之间的桥梁,推荐系统方法(Recommendation System)作为当前一大研究热点,可通过对用户或者项目信息进行建模挖掘用户偏好,在Amazon、Facebook、淘宝等诸多商业应用中已获得极大成功。传统的推荐系统主要考虑用户的历史行为,然而在实际场景中用户与项目的交互是有限的,往往会直接影响推荐结果。近年来,很多研究融合用户或者项目的辅助信息对大型网络或稀疏网络进行建模,形成了包含多种类型信息的异质信息网络。融合辅助信息进行推荐的方法受到越来越多的关注。这些推荐算法大多基于元路径得到相似用户,同时利用网络表征学习提取有效信息。虽然提升了一定的效果,但大多存在以下问题:随着用户节点数量的增加,用户-用户图中的边数量通常呈指数增长;当融合的辅助信息含有噪声时,推荐是不可靠的;信息提取过程中大多只考虑了单一的结构信息。针对已经存在的问题,结合粒计算三支决策理论从不同的视角对大规模网络进行建模,提出了基于三支决策的网络表征学习的推荐系统方法,主要工作内容如下:(1)针对复杂网络中存在的不确定信息,提出基于三支决策的图神经网络推荐方法,通过引入三支决策理论结合图神经网络挖掘用户和项目的潜在特征,使得结构信息和属性信息相互补充,解决含有不确定信息的推荐问题。(2)针对用户兴趣的群体复合性,构建灵活的群组并利用图神经网络获取单个用户偏好,结合融合策略得到群组偏好,提出基于图神经网络的组推荐,使其应用到组推荐任务中。(3)进一步考虑在异质推荐框架中融合群体兴趣特征,提出一种基于群组的图神经网络混合推荐算法。将大规模的异质信息网络根据群组、用户、项目三个属性划分为群组-用户网络、用户-项目网络。将两个本质上不同的网络,采用注意力机制有机融合,使其相互补充、相互制约。通过真实数据集的算法性能评测,结果表明本文提出的混合推荐算法具有良好的性能。

基于用户兴趣挖掘的推荐模型及其应用研究

这是一篇关于协同过滤,上下文信息,用户典型性,社交网络,三支决策的论文, 主要内容为随着互联网与5G手机终端的普及,人们随时随地在互联网上留下信息,导致互联网上的数据快速增长,用户被淹没在信息洪流之中,从而无法快速地选择对自己有用的信息,即“信息过载”问题。推荐系统提供高质量的推荐,帮助用户从众多选择中做出有效的决策,并将其呈现在他们面前,这是目前解决“信息过载”行之有效的方式。协同过滤算法自提出以来,便成为了热门的研究方向,并在生活的方方面面得到了应用,但是它会受到数据稀疏性和冷启动等问题的限制,从而导致推荐效果变差。近年来,随着移动设备和社交网络的发展,更容易得到上下文信息和社交关系。因此,本文在基于用户协同过滤模型上,考虑了上下文信息与社交关系,设计出相应的算法,用来解决数据稀疏性与冷启动等问题。本文的主要创新工作如下,1)由于上下文信息对用户决策有显著影响,因此引起了广泛的关注。用户典型性表示用户对不同项目类型的偏好,这可以比用户对项目的评分在更高的抽象级别上反映用户的偏好,并可以缓解数据稀疏性。但是它没有考虑上下文信息对用户典型性的影响。本文提出了一种新颖的基于上下文的用户典型性协同过滤推荐算法(Context-based user typicality collaborative filtering recommendation algorithm,CBUT),该算法将上下文信息与用户典型性相结合以减轻上下文感知的协同过滤的数据稀疏性,并提取、度量和集成上下文信息。首先,将项目聚类并分类为不同的项目类型。对于不同的用户,通过知识粒度定义和衡量上下文属性对于不同项目类型的重要性。然后,将上下文信息与用户典型性相结合,以测量基于上下文的用户典型性;随后,确定上下文近邻用户。最后,根据上下文属性的重要性的加权总和,预测单个上下文中的未知评分,并预测多上下文中的未知评分。实验结果表明,CBUT可以有效地提高推荐的准确性并扩大覆盖范围。2)信任关系有助于提高推荐算法的准确性和用户满意度,本文在基于用户的协同过滤算法框架下提出了多阶段填充策略算法。在计算用户相似性之前,先对用户-项目评分矩阵进行预填充,以此来达到缓解数据稀疏性和冷启动等问题。根据用户原有的信任关系,在随机游走模型下推测出目标用户与其他用户的一个信任程度,并根据信任程度大小将其他用户进行三支划分:直接信任域、间接信任域和不信任域。第一阶段,根据直接信任域中用户的评分对缺失值进行填充;第二阶段,引入用户典型性,根据典型性近邻与间接信任域中用户的评分进行结合来对缺失值进行填充;第三阶段,对最后仅剩不多的缺失值使用用户评分均值来进行填充。最后,实验结果表明本文所提算法可以有效地缓解数据稀疏性和冷启动等问题。

基于三支决策的实体关系抽取方法的研究

这是一篇关于知识图谱,实体关系抽取,BERT,LSTM,三支决策的论文, 主要内容为智能问答系统可以精准捕捉用户搜索意图,理解用户自然语言提问,然后将答案直接返回给用户,在客服、医疗、法律咨询、检务公开等领域得到了广泛应用。知识图谱可以为智能问答系统提供高质量的知识来源,是构造智能问答的主要手段。在人民检察院推进检务公开过程中,基于知识图谱的智能问答系统为用户查询案件信息和进行法律咨询提供了智能化的手段。在构建知识图谱时,实体关系抽取是重点和基础性工作。实体关系抽取中遇到的主要问题包括用户问句特征表示上下文信息无法联系;用户语句表达一词多义,造成实体信息歧义;深层次的语义特征提取能力不足,无法挖掘出实体之间的语义关系,导致分类的准确率不高等。本论文在检务公开知识图谱系统构建过程中,针对以上问题,研究了实体关系联合抽取方法,以及三支决策在联合抽取方法中的应用,主要工作包括如下两个方面:(1)基于共享BERT和LSTM参数的实体关系联合抽取预训练方法。针对用户问句特征表示上下文信息无法联系的问题,本论文采用BERT词向量来表示用户语句的基本语义特征。针对问句中用户语句表达一词多义的现象,把预训练生成的BERT词向量输入到设计的实体关系联合抽取的自注意力机制模型和Bi-LSTM模型中,让这两个模型共享BERT词向量,增强了用户问句的解释力,从而大大提高了实体识别的效率和准确度。将基于共享LSTM参数的预训练技术运用到文本的实体关系联合抽取模型Bi-LSTM中,针对本论文的实体关系联合抽取模型再进行预训练数据的多次调整。这样通过使用预训练方法构建模型中的领域知识,可以提高模型的性能和泛化能力,缩小内存空间,提升训练速度,提升文本实体关系联合抽取的性能。通过公开数据集ACE2005和检务公开数据集来验证了本论文提出的基于共享BERT和LSTM参数的实体关系联合抽取预训练方法的有效性。(2)基于三支决策的实体关系联合抽取方法。针对深层次的语句特征提取技术能力欠缺,分类准确度不高的问题,本论文提出了基于三支决策分类器的主实体识别和客实体-关系识别的方法来进行实体关系的抽取,第一步将深度学习的Bi-LSTM算法、Bi-GRU算法和多头自注意力机制进行特征向量的行连接融合,第二步利用设计的三支决策分类器对实体关系进行分类。该方法使三支决策分类器在进行语句提取的时候可以更准确的分类出问句之间的实体关系,得到准确的三元组信息。通过在公开数据集ACE2005和检务公开数据集上分别进行对比实验,证明了在实体关系联合抽取中加入三支决策算法能够使实体关系抽取得到更高的准确度。

基于三支概念分析的推荐算法研究

这是一篇关于推荐算法,三支概念分析,关联规则,三支决策的论文, 主要内容为推荐系统可以在海量数据中迅速发现用户喜欢的信息,已广泛应用于很多领域。传统的推荐系统根据预测评分的高低将推荐状态分为“推荐”或“不推荐”,这种二支的分类忽略了推荐过程中产生的成本问题;其次,传统的推荐系统没有充分挖掘和利用评分数据的价值,使推荐受到数据稀疏性的影响,难以学习用户的偏好;另外,在传统的推荐系统中,只关注项目与项目之间的相似性关联,即正关联,而忽略了项目与项目之间的负关联。形式概念分析在数据分析方面有独特的优势,基于形式概念分析的推荐算法不仅可以建立项目间的相关性,还缓解了数据稀疏性的问题,提高了算法的推荐质量。然而形式概念分析忽略了对象集和属性集的负关联。三支概念分析理论是形式概念分析理论的扩展,除了具有形式概念分析的优势外,还能表达对象集和属性集之间“共同不具有”的关系。基于三支概念分析的推荐算法不仅能从评分数据信息中充分挖掘项目之间的正关联和负关联,降低数据稀疏性的影响,还关注了成本问题,以三支分类的方式降低了推荐成本。本文基于三支概念分析理论,对推荐算法进行研究,重点研究了成本敏感的推荐算法。首先研究了以评分信息表为依据的三支近似概念格的构造,以及三支近似概念格中的正负关联规则提取方法,并给出了基于三支概念分析的关联规则提取算法3ARM;在此基础上,进一步结合三支决策思想,研究了总体推荐成本最优的推荐方法,提出了基于三支概念分析的推荐算法3WRE。主要内容如下:(1)根据评分数值的大小将评分信息表转化为不完备形式背景,表示了真实情况中用户对项目的喜欢、不喜欢和不确定的三种态度;结合三支建格算法Cb O3C和三支近似建格算法Norris＿OE的优势,构建三支近似概念格。在三支近似概念格上,研究关联规则的提取方法,提出了3ARM算法。该算法利用三支近似概念格中闭项集的特性以及三支近似概念之间的偏序关系,可以从三支近似概念的父子关系和兄弟关系中提取出正关联规则和负关联规则。(2)在基于关联规则的推荐中,一般直接将规则的后件作为推荐的结果,或利用规则的支持度和置信度简单地计算用户对项目的喜好程度。本文提出的3WRE算法同时考虑了项集之间的正相关和负相关,以相关正关联规则和负关联规则的支持度和置信度计算用户对项目的喜好程度。3WRE算法引入了三支决策的思想,根据各情况下产生的推荐成本,计算出能使总体推荐成本最小的各决策域划分阈值,以用户对项目的喜好程度和划分阈值的大小关系决定相应的推荐行为:“即时推荐”,“不推荐”或“待定”,最终完成对目标用户的推荐。文章最后利用经典的数据集Movie Lens进行实验。首先,对基于三支概念分析的关联规则提取算法3ARM进行实验,并与FARM算法和FISM算法进行对比。实验结果表明:3ARM算法可以在更少的时间内同时提取出相对完整且冗余较小的正关联规则和负关联规则。然后,对3WRE算法进行实验分析,分别从准确率、召回率、覆盖率和平均推荐成本四个角度与协同过滤算法、基于内容的推荐算法、基于形式概念分析的推荐算法、基于三支决策的推荐算法进行对比。实验结果表明:相对于以上算法,3WRE算法具有更高的准确率、召回率和覆盖率以及更低的平均推荐成本。

特种设备贮存专用空调机组故障预警系统研究与实现

这是一篇关于空调机组,ARIMA模型,Pearson相似度,故障预警,三支决策的论文, 主要内容为针对某企业在长期贮存特种设备的环境中所使用的专用空调机组,本文设计并实现了一个特种设备贮存专用空调机组故障预警系统。该系统通过对空调机组状态信息的全面监测,提供实时在线分析,对可能出现的故障进行预警,以便工作人员能及时维修,保障这些专用空调机组平稳运行。本文主要工作如下:(1)对空调机组所有状态参数训练并确定ARIMA预测模型。本文以空调机组历史运行数据为基础,采用了ARIMA算法构建设备状态参数预测模型,并按照白噪声和平稳性检验、模型定阶、模型检验、模型预测效果评估四个阶段对模型进行训练并加以评估,最终确定预测模型。(2)提出了基于三支决策的设备故障预警算法。首先采用ARIMA算法预测设备某状态参数的未来一段时间数据,由Pearson相似度计算得到的预测数据和故障数据之间的相关系数,然后引入三支决策思想,对Pearson相关系数进行三支划分,分别是α～1为强相关,表示设备异常;β～α为中等程度相关,表示设备状态待定;0～β为弱相关,表示设备正常。最后依据计算得到的相关系数所在的不同阈值范围来确定空调机组的运行状态;对于不确定情形下的设备状态,进一步选取与该参数相似性较强的其它参数进行上述步骤,直到判断出设备状态为止。(3)设计并实现一个基于B/S架构的特种设备贮存专用空调机组故障预警系统。服务器端由Spring Boot框架实现对数据库的访问和操作以及系统业务逻辑的处理,浏览器端由Vue框架实现与服务器端的数据通信和数据的可视化,以便技术人员更好地管理,降低操作难度。该系统功能划分为四个模块,数据统计分析模块负责读取设备参数特定历史数据和可视化展示,以供参考;关联分析模块负责计算设备参数之间的关联度,为故障预警模块的故障诊断提供其它预警方案;故障预警模块负责预测设备参数未来一段时间数据,并根据预测数据和故障数据的匹配情况判断设备状态;故障分析模块负责统计设备性能指标和故障停机记录,提供辅助信息,增加预警的准确性。该系统开发完成后,将其部署到值班平台进行整体效果测试,测试结果显示系统可以稳定运行,并能准确实现故障预警。

三支贝叶斯分类模型构建与应用

这是一篇关于三支决策,NB分类器,TAN贝叶斯分类器,增量学习,三支推荐的论文, 主要内容为针对二支决策贝叶斯分类器在分类过程中处理不确定数据时存在较高的错误率,将三支决策思想融入到贝叶斯分类算法中,构建三支贝叶斯分类模型。考虑数据的动态更新特征,研究构建了动态的三支增量贝叶斯分类模型,并将其应用到推荐系统中。首先,利用朴素贝叶斯分类器(NB)的增量学习特性更新模型参数,计算三支决策中的条件概率。制定三支分类规则,构建三支增量朴素贝叶斯分类模型(3WD-INB)。并在选用的UCI数据集上验证方法有效性。其次,提出一种新的三支扩展TAN贝叶斯分类器(3WD-TAN),其通过构建TAN贝叶斯分类模型,采用先验概率和类条件概率估计三支决策中的条件概率。制定3WD-TAN分类器中的三支分类规则,构建3WD-TAN分类器。并在UCI数据集上进行对比实验。再次,在构建3WD-TAN分类器的基础上,考虑数据的动态更新性,融合增量学习思想,构建动态的三支增量树扩展朴素贝叶斯分类模型(3WD-ITAN),并通过实验验证方法有效性和可行性。最后,构建三支贝叶斯分类应用框架,并将其应用到推荐系统中。考虑物品属性对用户评分的影响,利用NB分类器有效填充评分矩阵,将三支决策思想引入协同过滤推荐系统,构建三支朴素贝叶斯推荐模型(3NBR)。并通过实例验证算法的有效性。图21幅;表26个;参58篇。