5篇关于增量更新的计算机毕业论文

今天分享的是关于增量更新的5篇计算机毕业论文范文, 如果你的论文涉及到增量更新等主题,本文能够帮助到你

基于Android网络直播平台的设计与实现

这是一篇关于网络直播,实时语音,即时通讯,增量更新的论文, 主要内容为随着移动互联网的发展,网络直播已经成为人们生活息息相关的东西,应用到了互联网娱乐、电商导购、证券分析、在线教育等方面。网络直播服务逐渐受到社会重视,并在资本力量的推动下实现了快速发展。随着优酷、爱奇艺这些网站的进入,甚至百度、阿里巴巴这些巨头的涉足,未来的直播市场的竞争势必会比较激烈。本文正是要突破单一的网络直播形式,研发出一个丰富的直播平台。本网络直播平台为了更好的直播效果,在Android Studio集成环境下设计了Model-View-Presenter的开发形式,采用腾讯云的互动直播SDK实现了主播的大眼、瘦脸等美颜功能。还在秀场内为用户提供可以实时语音聊天的房间,主播与嘉宾、嘉宾与嘉宾之间可以进行实时的语音聊天。观众进入秀场后可以听到主播和嘉宾间的聊天内容并发表评论,打破了观众之间无法即时交流的现状,使得用户之间的交互更加密切。而本平台设计了大厅的模块,为用户提供一个共同进行交流的主要场所,有着类似于游戏中世界频道发言的功能,即一人在大厅发布广播,所有用户都可以看到该用户的广播内容。在此模块中,会员用户拥有发布圣旨的特权,圣旨发布的特殊动画吸引用户成为平台的会员。非会员用户只能发布普通广播和置顶广播,置顶广播的发布会消耗金币,激励用户充值。同时本应用实现了即时通讯的功能,用户间聊天非常方便,在房间中时可以点击任意嘉宾头像,进入聊天页面,在弹出的聊天框中就可以进行聊天。系统频繁的更新会给用户带来更为优化的体验,然而,这种频繁的更新也同样会带来负面的影响:更新包太大没流量;更新速度太慢;本地空间不足无法更新等问题,这些负面影响都会导致一定程度上的用户流失。因此,本平台应用差量更新算法通过匹配旧和新包的公共部分,然后尽可能构造最小的patch包。在融合阶段通过COPY和INSERT对旧包和patch包来构造新包。实现了增量更新功能,更小的更新包才能提高更新的成功率。本文描述了网络直播的来源和背景,并介绍了其国内外的发展现状。通过对网络直播的市场以及客户需求分析,我们对此直播系统的功能进行了升级设计,包括即时通讯系统方便用户应用内的交流,大厅模块促进用户间的互动以及利用差量更新算法进行快速更新。在完成技术方案设计后,这篇文章详细地描述了系统实现的原理和方法,并用部分流程图进行简要说明。最后,我们也对系统功能进行测试,并作出了相应的评估。

基于知识图谱的推荐算法研究与实现

这是一篇关于知识图谱,推荐算法,图神经网络,增量更新,注意力机制的论文, 主要内容为推荐系统是互联网公司重要的增长引擎。推荐系统通过分析用户的历史行为数据来为用户推荐其感兴趣的物品。优秀的推荐服务可以增强用户的黏性,提高用户的转化率。推荐算法是推荐系统的核心,其负责数据的处理以及推荐模型的构建。传统的推荐算法存在数据稀疏、冷启动,以及推荐多样性差等问题。知识图谱因其具有丰富的知识内容和强大的关系处理能力,可以有效解决这些问题。基于知识图谱的推荐算法是近几年的研究热点。现有工作大都是基于图神经网络来构建推荐模型,推荐的效果相比传统算法有明显的提升。然而,这些算法模型仍存在不足之处。首先,这些模型没有较好地利用图谱中用户和物品间交互的时序信息,没有对用户随时间变化的兴趣进行建模。其次,这些模型没有利用知识图谱中的物品与属性实体间的关系对用户兴趣进行更细粒度的建模。最后,在动态推荐场景下,知识图谱需要频繁更新时,这些模型的训练时间成本过高。本文提出了一种新的基于知识图谱的推荐算法和两种适用于不同场景的推荐模型更新方法来解决这些问题。本文的主要贡献如下:1)本文在图注意力网络的基础上,提出了一种融合时序和关系信息的注意力推荐算法(Squential and Relational Graph Attention Algorithm,SRGAT)。SRGAT利用注意力机制来处理用户和物品间交互的时序信息,并利用物品和属性实体的关系对用户的兴趣进行建模。在得到表示用户和物品的嵌入向量后,先进行各阶嵌入向量的层级聚合得到特征向量,再利用深度神经网络进行特征向量的交叉组合,得到用户对物品的预测评分。2)本文提出了两种高效的推荐模型更新算法,分别是增量学习更新算法(Incremental Learning for Update,ILU)和反向扩散更新算法(Reverse Diffusion for Update,RDU)。ILU采用正则化和数据回放结合的方式,仅利用新数据和部分旧数据就可以训练新模型,更新模型的参数;RDU采用局部更新的方法,只需要更新部分的模型参数,且不用再重新训练模型。RDU更新算法的性能不如ILU,但其更新效率更高。两种更新方法可以结合使用来快速有效地更新模型。3)本文对提出的推荐算法和推荐模型更新算法在多个公开数据集上进行了对比实验。实验结果表明本文提出的推荐算法可以有效提升推荐的效果,且本文提出的模型更新算法,在保证更新后模型的性能的前提下,提升了模型的更新效率。

基于Spark的混合推荐系统的研究与实现

这是一篇关于推荐系统,Spark平台,矩阵分解,相似度计算,增量更新的论文, 主要内容为在大数据时代背景下,推荐系统已经成为一个解决信息过载问题不可或缺的工具。一方面用户通过推荐系统在海量的数据信息中筛选有用信息,获得有力的决策支持。另一方面提供推荐服务的电商、多媒体服务商等希望通过推荐系统来对用户进行针对性的个性化营销以提高收益。近十年来推荐系统取得了突飞猛进的发展,但仍面临着诸多挑战和问题,例如海量数据的存储计算和扩展性问题,原生的数据稀疏性问题,以及缺乏推荐系统的时效性问题等等。为了解决上述问题,本文基于Spark平台研究并实现了一个针对电影领域的混合推荐系统。第一,研究了目前常用的矩阵因子分解方法,提出了一种混合了时间因子和邻域信息的混合矩阵分解推荐算法。将用户所在群体兴趣随时间迁移的因素考虑其中,并采用了动量梯度下降的方式求解损失函数,在参数求解速度提升的同时提高了算法的预测精确性;第二,针对协同过滤的相似度计算问题,提出了一种改进的皮尔逊系数相似度计算方法,考虑了物品的热度和个体评分偏置的影响。经实验证明,该计算方法有效的降低了算法的均方根误差;第三,针对推荐系统的时效性问题,本文采用了增量ALS矩阵分解算法。对于新获取的信息,局部的修改模型而避免对模型的重新训练,节省了巨大的计算花销。实验证明,增量ALS较目前流行的增量SGD具有更快的交互速度和更高的准确度,有效的提高了系统的反应速度;最后本文基于Spark平台设计并实现了一个电影推荐系统,包括了日志收集、数据处理和混合推荐引擎等主要模块,并融合了上述优化方法,有效的改善了目前推荐系统遇到的主要问题。

App包管理与监控系统的设计与实现

这是一篇关于包管理,增量更新,异常监控,性能监控的论文, 主要内容为随着我国移动互联网行业的高速发展,移动端已成为当下最重要的用户平台。在这样的背景下,移动应用程序的开发面临着越来越多的挑战。一方面,开发者希望开发过程中尽可能实现组件化、模块化、通用化,做到一套代码适应不同终端的需求,减少开发以及后期更新维护过程中的重复性工作;另一方面,使用者希望移动端应用加载速度快、交互简单易用、更新快捷、报错少,始终能提供良好的使用体验,这就给移动端应用的设计开发提出了更高的要求。在提高移动端应用性能的技术方面,热更新实现了在不需要全量发布新版本和用户无感的情况下实现更新,开发成本小、速度快、效率高;各类性能指标、异常数据监控平台的开发利用,起到了主动发现应用性能问题并及时解决问题的作用,确保应用拥有良好的使用体验。针对团队内部App开发中资源热更新与性能指标、异常数据监控的需求,本文提出了一种以资源包文件为基本单位的管理模式,移动端只需要加载对应的更新包即可实现资源热更新,而在前端监控方面,通过拦截事件信息实现了对性能、异常数据的收集分析。包文件管理和前端监控数据的可视化平台以及一系列相关的SDK和插件的意义在于,在保证项目数据安全性的前提下,进一步提升移动端应用的开发效能和更新效率。整个系统分为用户端SDK、命令行打包构建插件、后台管理系统三个主要模块。用户端SDK负责资源文件管理、热更新策略控制、日志采集与上报;命令行打包构建插件依赖Node.js命令行参数处理模块Commander,实现了资源打包、包文件上传部署、包文件同步等功能;后台管理系统使用Vue.js+Element实现前端页面,使用Koa和Mongo DB作为后端服务框架和数据库,提供包文件管理、包信息管理、监控数据可视化、异常日志报警推送等功能。整个系统在Docker平台上开发,并借助Docker平台部署。