9篇关于SVD++的计算机毕业论文

今天分享的是关于SVD++的9篇计算机毕业论文范文, 如果你的论文涉及到SVD++等主题,本文能够帮助到你

基于SVD++与KNNBaseline的混合推荐算法研究

这是一篇关于协同过滤,推荐引擎,SVD++,KNN,RMSE的论文, 主要内容为推荐系统可以有效缓解信息过载的问题,为了实现准确的推荐,常采用协同过滤推荐算法进行解决,但是该算法存在不能找到全局或局部特征、不能找到隐式信息的问题。本文构建新的混合推荐算法来解决上述问题,混合推荐算法基于SVD++和KNNBaseline这两种推荐效果较好的协同过滤算法,SVD++算法能够找到全局性特征并引入隐式反馈信息,KNNBaseline算法能够找到局部较强的关联并缓解数据的稀疏性。结合两种算法的优点,提出了基于SVD++与KNNBaseline的混合推荐算法,即K-SVD++算法以提高推荐准确率。K-SVD++算法首先使用SVD++算法对数据集进行训练和预测评分,然后使用KNNBaseline算法对数据集进行训练和预测评分,最后将两种算法的预测评分输入混合算法模型中,按照权重进行加权混合,得到最终的评分预测矩阵。在测试集上通过K折交叉验证的方法,对比该算法和其他推荐算法的均方根误差(RMSE)和平均绝对误差(MAE),进而证明K-SVD++算法的优越性。实验在两个公开数据集Movie Lens100k和Film Trust上完成,使用Python的Surprise库进行编码。首先从混合权重、邻居数、基于用户或物品相似度参数、相似度计算方法、因子数和迭代次数六个方面对相关参数进行了实验分析,以选取能够使K-SVD++算法取得较好推荐结果的参数,然后使用K折交叉验证对本文提出的K-SVD++算法计算RMSE值和MAE值并与其他推荐算法进行对比,最后将本文算法得到的实验结果与前人的研究进行了对比。在对比实验中,K-SVD++算法均取得了较低的RMSE值和MAE值,这一结果说明本文提出的算法在推荐效果上更好,提高了推荐的准确率,有效地缓解了数据稀疏性和冷启动问题。该论文有图41幅,表5个,参考文献56篇。

教学资源个性化推荐系统的设计和实现

这是一篇关于教育资源,推荐算法,协同过滤,SVD++的论文, 主要内容为随着信息技术的快速发展,教育信息化越来越受到人们的重视。在教育信息化的发展过程中,实现个性化学习是学习者的迫切需求。个性化推荐技术能够帮助个性化学习,使学习者的学习效率得到显著提高,同时也能帮助老师更好的把教学内容分享给同学,因此教学资源个性化系统可以看作是课上教学的补充,学生可以在课下根据自己需求自主学习。当教学资源越来越多时,一个有效的个性化推荐系统就很有必要了。本论文设计并实现了一个针对教学资源的个性化推荐系统,此推荐系统根据用户的浏览记录、浏览习惯和偏好,把用户可能感兴趣的教学资源推荐给用户。本推荐系统用Python语言完成系统的开发,前端使用HTML技术,后端使用Oracle数据库,实现了教育资源推荐系统。整个系统根据功能实现包括用户管理、资源查找、资源推荐等模块。其中用户管理模块具备识别用户身份功能,权限区别取决于登录号类别;资源查找功能根据用户输入关键字显示该目标课程详细信息,包括章节具体内容及评分信息;资源推荐模块能够实现根据用户下载资源类型、用户评分信息及资源检索的相关资源推荐。融合基于内容的推荐算法(CB)、基于物品的协同过滤算法(ItemCF)和奇异值分解算法(SVD++)设计了改进的CB-ItemCF-SVD++混合推荐算法,该算法有效解决用户冷启动问题,并实现教育资源的个性化推荐功能。本论文通过离线方法对推荐系统进行评估与分析,测试结果均符合预期目标,实现了基于教育资源的个性化推荐系统。

情绪因素敏感的电影推荐算法研究

这是一篇关于情境感知,中医心理学,情绪调节,SVD++,ICAMF的论文, 主要内容为情境感知推荐系统是当前推荐领域的研究热点之一,它的出现突破了传统推荐算法只能依赖用户和项目间二元关系的局限,考虑了用户和项目所处的情境,如时间、位置、季节、天气、周围人员、情绪等等,依据用户-情境-物品的三元关系提高推荐系统的推荐性能,可以广泛应用于电影推荐、直播推荐、商品推荐等诸多场景。电影是一种强烈的情绪载体,所以在电影推荐领域,情境信息尤其是情绪信息就显得尤为特殊且重要。但是,现有的电影情境感知推荐系统往往存在情境意义不明确、情绪上下文挖掘不充分、计算复杂等等问题,用户-情境-物品的三维矩阵还会引起数据稀疏性增大的问题。目前的一种研究观点认为:基于统计的算法已趋近瓶颈,可解释性极差且效果难有质的提高,必须要引入跨学科的其他成果才能帮助继续提升某个特定领域的推荐效果。为解决上述问题,研究了中西方的情绪调节理论,选择了一种适合融入电影推荐的中医心理学理论——“情志相胜”,引入推荐算法的设计中。提出了一种电影的“情绪导向模型”和两种情绪因素敏感的电影推荐算法,不仅大大减小了计算量,而且使推荐结果易于解释:首先依据中医心理学理论预设五类“情绪导向”,然后利用观影者为电影标记的大量情绪标签,参照k-means聚类算法和TF-IDF算法的思想,为电影建立“情绪导向模型”;其次依据“情绪导向模型”分别对SVD++和ICAMF算法进行改进,设计了两种情绪因素敏感的电影推荐算法Emotion＿SVD++和Emotion＿ICAMF。最后,利用由豆瓣网收集的真实数据集以及LDOS-Co Mo Da公开数据集进行测试对比。结果显示,融入情绪调节理论之后,新算法评分预测的RMSE和MAE对比RSVD、Bias＿SVD、SVD++、ICAMF-I均有一定程度下降,并且收敛时间明显短于参考算法中效果最好的ICAMF-Ⅰ、ICAMF-Ⅱ算法。

教学资源个性化推荐系统的设计和实现

SVD++算法在视频推荐系统中的研究和应用

这是一篇关于个性化学习推荐,视频推荐,SVD++,协同过滤的论文, 主要内容为互联网的广泛应用促进了教育的信息化发展,网络学习资源如雨后春笋般大量涌现,数量巨大的学习资源增加了用户的选择压力,如何帮助用户从海量的网络资源中准确筛选出满足其个性化需求的资源成为推荐系统研究的核心,大量学者投入到教育资源个性化推荐的研究和建设中来。本文基于改进的SVD++算法设计并开发了office在线视频学习推荐系统。针对SVD++模型中的数据稀疏性问题进行改进,提出一种利用标签信息描述视频和用户偏好的方法,使用户间相似度计算更加合理,提高预测准确度,为用户推荐真正感兴趣的视频。论文的研究工作主要包括以下四个方面:1、利用聚类算法预处理数据。为减少算法每次迭代时的内存消耗,基于Kmeans聚类算法对用户和视频分别聚类,根据用户相似性和视频相似性将全局用户-评分矩阵拆分成具有相似特性的小矩阵,将其作为后续模型训练的输入,降低了推荐算法的计算复杂度。2、提出一种利用视频标签,解决系统数据稀疏问题的方法。为视频设置知识点标签,利用TF-IDF加权技术计算用户对标签的喜爱程度挖掘用户偏好,进而构建用户偏好相似度矩阵,解决了用户-评分矩阵存在的数据稀疏性问题。3、提出一种融合时间信息和用户偏好相似度矩阵的SVD++算法。将时间半衰期和信息保持期引入到遗忘函数中,并利用新的时间权重函数对模型中的用户-标签偏好和静态的用户因子偏好进行改进,最终得到了优化后的SVD++算法。采用RMSE指标在预处理后的ml-latest数据集上验证本文算法的准确性,实验证明优化后的SVD++算法能够提高推荐的精准度。4、实现office视频学习推荐系统。系统采用Pycharm集成开发环境和Mysql8.0平台进行搭建,利用Vue技术和Django框架的MVT设计模式进行开发,实现了用户注册登录、上传视频、视频分类检索等功能。测试验证该系统可以利用改进后的SVD++算法,为用户进行个性化学习视频推荐。

基于信任信息动态协同过滤算法的研究及应用

这是一篇关于推荐系统,协同过滤,信任信息,SVD++,隐式信息,艾宾浩斯记忆曲线的论文, 主要内容为5G技术的发展,给人们生活提供了便利,但随之而来的是信息爆炸的问题。为此,推荐系统作为解决信息爆炸问题至关重要的技术之一,受到业界的广泛关注。协同过滤推荐算法是其中最成功的个性化推荐技术之一,但是传统的协同过滤算法普遍存在数据稀疏性与冷启动的问题,并且通常不能及时反应用户的兴趣变化,影响了推荐质量。信任关系是人们生活中不可或缺的一部分,时刻影响用户间的生活。美国著名的尼尔森(Nielsen)调查机构研究表明,约90%的用户倾向于信任来自于朋友的推荐。因此,众多学者将信任关系作为辅助信息引入协同过滤算法,有效地缓解了算法数据稀疏性与冷启动问题。除此之外,时序特征作为反映用户偏好变化最直接的因素也被广泛应用于协同过滤算法推荐当中。本文主要针对协同过滤推荐算法中存在的问题进行研究。主要工作如下:考虑到用户偏好随时序漂移的特点,借助艾宾浩斯遗忘曲线描述时间衰退特性,提出基于艾宾浩斯遗忘曲线的概率矩阵分解算法(Ebbinghaus-Probabilistic Matrix Factorization,E-PMF),对比实验结果表明时序特征能够在一定程度上提高协同过滤算法的推荐准确度;借助信任信息作为辅助参数创建用户信任矩阵,利用信任网络中信任传递机制建立信任模型,量化信任者间的信任度,将信任模型评分矩阵以及时序信息融合,提出基于信任信息的动态协同过滤算法(TrustDynamic Collaborative Filtering,TDCF)。通过实验验证,该算法比传统的协同过滤算法提高了12.01%的准确度,能够有效地缓解数据稀疏性、冷启动问题;将TDCF算法运用到电影推荐系统中,该系统能够完成用户信息注册、电影评分及电影推荐。在此过程中,通过挖掘用户显式或隐式信息,构建用户偏好模型,运用提出的算法给出推荐结果,并根据电影已有的评价信息进行处理,最终得到Top-N电影推荐结果。

教学资源个性化推荐系统的设计和实现

基于SVD++推荐系统候选集生成及冷启动解决方法

这是一篇关于推荐系统,SVD++,候选集生成,冷启动,FP-Tree,标签模型的论文, 主要内容为随着互联网上信息爆发式的增长,用户对信息也呈现出个性化的需求。推荐系统通过用户偏好数据获取用户兴趣取向,从而为用户提供个性化的信息或商品推荐服务。SVD++算法由于其良好的精确度与可扩展性,非常适合用于大型互联网系统,已成为推荐系统领域的研究热门。但冷启动与候选集生成问题一直是SVD++算法应用的瓶颈。推荐系统需预测用户对商品子集即候选集的偏好从而形成推荐。而SVD++算法基于随机抽样的候选集生成方法不能生成符合用户兴趣的候选集,推荐结果的个性化程度不高,这便是候选集生成问题。另一方面,系统扩展引入的新用户、新商品不存在评分数据,SVD++算法不能训练新用户新商品的特征参数,产生新用户、新商品无法加入推荐系统的冷启动问题。针对候选集生成问题,考虑到用户历史行为与候选集之间的关联,本文利用关联挖掘方法解决候选集生成问题,提出了基于FP-Tree的候选集生成方法。本文利用FP-Tree存储商品间的关联关系,挖掘与用户的浏览历史相关联的商品形成候选集。针对冷启动问题,本文利用标签模型描述用户特征与商品特征,将标签模型融入SVD++算法,给出了Tag-Based SVD++算法。该算法利用现有评分数据训练标签的特征参数,系统利用新用户新商品提供的标签为其生成特征参数,从而解决冷启动问题。实验结果表明,相比SVD++算法,基于FP-Tree的方法生成的候选集更符合用户兴趣。Tag-Based SVD++算法能有效解决系统的冷启动问题,能提供较高的预测精度。