8篇关于Slope One的计算机毕业论文

今天分享的是关于Slope One的8篇计算机毕业论文范文, 如果你的论文涉及到Slope One等主题,本文能够帮助到你

基于协同过滤的推荐算法研究与应用

这是一篇关于协同过滤,用户相似度,Slope One,矩阵分解,推荐系统的论文, 主要内容为随着信息化时代的到来,互联网普及程度越来越高,在享受多元化网络信息为我们的生活带来更多便利的同时,海量数据资源也让用户越来越难以找到真正感兴趣的信息。推荐系统的出现针对信息过载问题提供了解决方案,作为应用最为广泛的技术之一,协同过滤通过用户的历史行为信息挖掘用户隐藏的兴趣爱好特征,进而利用相似用户或者项目进行个性化推荐。虽然传统协同过滤推荐算法已经得到广泛应用,但是仍然存在例如冷启动和稀疏性等问题。本文对协同过滤推荐算法展开深入研究,并对算法中存在的不足之处提出相应的改进。本文主要工作内容如下:1.改进用户间相似度计算方法。传统用户间相似度计算主要依据不同用户之间共同评分项目的评分来度量,每个项目评分的权重都是一样的。由于推荐系统的思想是挖掘用户喜欢的项目,用户共同评价集合中高评分项目的权重应大于低评分项目的权重,同时对于热门项目以及冷门项目应分配不同的评分权重。基于这一目的,本文提出了一种可变权重的相似度计算方法,在提高寻找邻居用户准确度的基础上,提高评分预测准确性和推荐结果质量。2.对传统Slope One算法做出改进,主要思路是在Slope One算法中引入用户关系,使用近邻用户集合评分作为参考。传统Slope One算法忽略了用户之间的相似性,在计算项目间偏差项时选取系统中所有用户的评分会引入噪声数据干扰。本文结合提出的改进用户间相似度计算方法,将用户相似关系引入到Slope One算法当中,改进用户集合选取方法,使用近邻用户评分数据来提高算法预测评分的准确性。3.针对推荐算法中常见的稀疏性问题,本文对传统矩阵分解算法进行改进,提出基于改进Slope One的矩阵分解算法。算法针对评分数量小于阈值的用户,通过改进之后的Slope One算法对部分缺失项进行填充,在一定程度上缓解稀疏性的影响,同时降低传统SVD算法中基于均值填充引入噪声数据对预测评分造成的干扰。最后结合本文提出的改进矩阵分解算法思想建立模型,使用随机梯度下降法对模型进行分析与优化,提高最终预测评分的准确度。4.将改进后的算法在MovieLens数据集上进行对比实验,确定算法中参数的最优取值,然后通过常用的评价指标将改进后的算法与传统协同过滤推荐算法进行对比,验证算法在提高预测准确性方面的有效性。5.以本文提出的基于改进用户相似度计算的协同过滤算法作为核心,将其应用到实际系统设计中,使用SSM框架和MVP框架设计并实现一个音乐推荐系统。

基于Hadoop的电子商务推荐系统研究

这是一篇关于推荐系统,协同过滤,K均值聚类,Slope One,Hadoop,组合推荐,MapReduce的论文, 主要内容为电子商务使我们的生活变得便捷,它迅速发展的同时也产生了大量的数据,如何帮助用户在海量的数据中快速高效地找到有价值的内容便成了一个重要的问题。目前,搜索引擎和信息分类网站都在一定程度上解决了海量数据的搜索问题,但是,这两者是需要用户通过输入关键字或者提供其他相关信息去查找,才能获取到需要的信息。相比之下,推荐系统的出现则更加的主动和智能化,从而在电商网站中起到了越来越重要的作用。它能以相当快的速度在海量数据中进行检索,不需要用户输入关键字等提示信息,主动的向顾客推荐有用的商品,它的智能化方便顾客的同时也为商家提供了很大的帮助。支撑推荐系统正常运行的推荐算法有很多,协同过滤算法是其中运用最广泛的推荐算法。然而,随着电子商务中用户数量和商品数量的高速增长,协同过滤推荐算法也面临新的挑战,比如数据稀疏性问题、可扩展性问题等等。针对这些问题,本课题对协同过滤推荐算法进行了全面深入的研究,并阐述了通过组合推荐算法来解决数据稀疏性问题,进而完成推荐工作。同时,考虑到受单机性能的限制,当面对需要处理海量数据时,必然会对推荐结果的准确性和效率造成严重影响。因此,采用将协同过滤推荐算法迁移部署到Hadoop平台中,对数据进行分布式处理,提高算法的运行效率,解决算法的可扩展性问题,最终达到增加商品销售量的目的。本文主要的研究工作如下：1)对于常用的几种推荐算法进行深入研究分析,全面了解各个算法的优点和缺点,重点研究了协同过滤推荐算法。2)运用组合推荐算法完成数据填充和结果推荐。该组合算法是将K均值聚类算法、Slope One加权改进算法和协同过滤算法(CF)相结合,以此来实现推荐。K均值聚类算法和Slope One加权改进算法用来解决数据稀疏性问题,协同过滤算法(CF)用来在数据相对完整的基础上实现最终的推荐。3)对协同过滤推荐算法进行改进,使其能够适应MapReduce编程模型,进而达到对数据进行分布式处理的目的,以此来解决算法存在的可扩展性问题。4)对单个推荐算法和组合推荐算法进行评测。本课题运用MovieLens数据集中的数据,通过实验,从各个算法的准确率、召回率和反应时间的角度对算法进行了评测,并对实验结果进行分析。

基于协同过滤的推荐系统设计与实现

这是一篇关于协同过滤,个性化推荐,Slope One,混合推荐算法的论文, 主要内容为当前互联网技术的迅速发展给广大用户带来了大量的信息,满足了用户了解世界的需求。但是,各种铺天盖地的信息使得用户越来越难检索出自己感兴趣的信息,出现了所谓的“信息超载”现象。个性化推荐技术是解决该问题的有效途径,它通过分析用户的检索信息操作建立用户兴趣模型,主动向用户推荐其可能感兴趣的信息,而无需用户主动提供任何输入。在推荐技术的研究领域中,协同过滤算法是当前最为成熟、应用最为广泛的一种技术。本文针对协同过滤算法展开了深入细致的分析和探讨,设计了一种混合协同过滤算法,并基于此算法搭建了一个电影推荐系统,为用户推送其感兴趣的影片。本文主要完成的工作：首先分析研究基于用户、基于项目和Slope One这三种协同过滤算法。通过比较研究发现,Slope One算法不仅易于实现、效率高,且具有推荐结果准确度较高的特点。但是,Slope One算法的不足之处是不能很好的处理不同用户的个性化推荐。为了解决该问题,本文提出了一种将用户相似性和SlopeOne算法相结合的协同过滤算法。该算法的核心思想是定义用户相似模型,计算出用户间的相似系数,将用户间平均相似性作为Slope One算法的权值计算预测评分,最后根据预测所得评分值为用户给出推荐。同时在查找近邻用户时本文设计了一种动态阈值的查找方法。为了解决海量数据时计算复杂度的问题,本文基于分布式框架提出将该混合协同过滤算法并行化的方案。通过理论分析和在标准的MovieLens数据集的实验可以看出,本文设计的混合协同过滤算法可以有效提高个性化推荐系统的推荐准确度。最后,通过对电影推荐系统的需求进行调研,在需求分析和前期的技术研究基础上进行推荐系统架构设计、功能模块设计和数据库设计,实现了基于混合协同过滤的电影推荐系统。

基于Hadoop的电子商务推荐系统研究

融合项目重要度与预测评分的混合推荐算法研究

这是一篇关于推荐算法,Personal Rank,Slope One,项目重要度,预测评分的论文, 主要内容为推荐系统可以缓解大数据时代的信息过载问题,备受学术界及工业界瞩目,成为近些年发展十分繁荣的领域。基于准确性的推荐是应用最广泛的推荐方法,但是仅仅依赖准确性可能会造成推荐结果的过度拟合,从而降低用户的满意度。由此,推荐的多样性越来越受到研究人员的重视,推荐多样性的提升可以让用户获得更好的个性化体验。但基于多样性的推荐算法越来越广泛的同时,也存在忽视项目自身属性、相似度计算不全面、数据参照单一等问题。针对上述问题,提出一种融合项目重要度与预测评分的混合推荐算法。首先,使用Personal Rank算法计算项目重要度;为提高推荐的多样性,将项目评分作为边权优化其图结构,增加小众项目和高分项目的游走概率优化其随机游走方法;通过对项目重要度排序,生成候选推荐集合;其次,使用Slope One算法预测候选推荐项目的评分;为提高预测准确度,利用用户综合相似度优化其偏差计算方法,利用项目综合相似度优化其预测评分方法,并使用可信度权重修正最终预测评分;最后,综合项目重要度与预测评分值对推荐产生的影响,通过对综合推荐值排序完成推荐。在Movielens数据集上对提出的算法进行验证分析,实验结果表明所提混合算法与其他算法相比,在不同推荐列表长度下,准确率、召回率和覆盖率平均提升了5.68%、3.64%和9.82%,证明了所提算法在保证准确性的基础上,提升了推荐的多样性。该论文有图33幅,表9个,参考文献70篇。

基于Slope One算法的增量音乐推荐系统的设计与实现

这是一篇关于推荐系统,音乐推荐,Slope One,增量算法,J2EE的论文, 主要内容为随着互联网日益普及和信息资源急剧增加,用户很难从大量信息中寻找对自己有用的信息,导致信息利用率降低,带来“信息过载”问题。个性化推荐系统是解决这一问题的有效手段。个性化推荐系统收集用户的行为特征,对用户兴趣进行建模,进而从海量数据中挖掘符合用户兴趣模型的信息并推荐给用户,其实质是根据用户的历史行为,对其潜在兴趣进行预测。音乐是一种表达内心情感、反应社会生活、陶冶个人情操的艺术形式。随着互联网的高速发展,越来越多的音乐作品以数字形式在网络上流通,使得用户越来越难以从海量的音乐数据中挑选出自己喜欢的作品,导致了对音乐推荐系统的极大需求。与此同时,Yahoo、腾讯、网易等大型互联网公司也十分重视对音乐推荐系统的研究,并推出了Pandora、Last.fm、Slacker Radio和QQ音乐、网易云音乐、豆瓣音乐等音乐推荐系统。然而,根据前期调研结果,现有的音乐推荐系统大多采用静态的推荐算法,当数据出现变化时,需要基于整个数据集重新构建推荐模型。在大规模数据集上,静态推荐算法需要消耗很多的计算资源和时间进行推荐模型的重构,效能较低。本文基于一种经典的协同过滤推荐算法,即Slope One算法,研究增量音乐推荐系统。Slope One算法具备高效、易扩展的优点,非常适合用以对增量音乐推荐系统进行研究。本文的主要工作在于:1)对Slope One算法进行了深入研究,对基本Slope One算法、加权Slope One算法和双极Slope One算法的训练规则进行深入分析;2)基于Slope One静态算法的更新规则,通过计算数据更新对参数更新的影响,分别提出并实现了基本Slope One增量算法、加权Slope One增量算法和双极Slope One增量算法;3)在权威公测数据集Movie Lens和EachMovie上进行了详细实验,证明了Slope One增量算法能与Slope One静态算法达到相同的推荐准确度;4)以详尽的需求分析为基础,进行了系统架构设计、功能模块设计和数据库设计,以Slope one增量算法为核心,运用J2EE、JSP、Servlet、MySQL、Eclipse等开发技术和工具实现了增量音乐推荐原型系统。

基于paragraph2Vec的电影推荐模型

这是一篇关于电影推荐,协同过滤,Slope One,电影评论,paragraph2Vec的论文, 主要内容为近年来,互联网技术广泛应用,网络上信息迅速堆积,信息冗余问题愈发严重,为解决此类问题,推荐系统应运而生。目前推荐系统已经应用到音乐、影视、商品、新闻等各个领域。本文利用电影的影评文本,建立了电影推荐模型。首先对文本挖掘技术中的词向量和段落向量模型进行了研究,并利用段落向量模型将电影影评映射到向量空间,解决了电影之间相似度的计算问题;然后重点探究了基于协同过滤的推荐算法以及Slope One推荐算法的相关理论和实现,并进行实验对几种推荐算法的效果进行了比较,其中改进的Slope One推荐效果最好,这也证明了将项目的相似度引入到传统Slope One算法之中具有一定改进效果;最后对于不会留下观影记录的“游客”用户,利用paragraph2Vec模型实现了电影的推荐功能。