6篇关于时间感知的计算机毕业论文

今天分享的是关于时间感知的6篇计算机毕业论文范文, 如果你的论文涉及到时间感知等主题,本文能够帮助到你

基于自注意力和扩张卷积的会话推荐模型研究

这是一篇关于会话推荐,时间感知,扩张卷积,门控循环单元,自注意力机制的论文, 主要内容为在快速发展的信息时代和数字化经济中,推荐系统帮助用户在海量的数据中筛选出感兴趣的内容,进而辅助决策。会话推荐是推荐系统的一个重要分支,在没有用户信息的情况下,旨在通过一段连续时间内的交互进而预测用户的后续行为。通过对传统以及深度学习会话推荐模型的研究,发现目前大多数模型只考虑会话内部或者会话之间的交互行为,而忽略了上下文信息给推荐带来的影响,同时对于会话内部的邻域信息以及会话之间存在特征提取不充分、代表性不足的问题。据此展开相关的研究,提出了基于自注意力和扩张卷积的时间感知会话推荐模型,主要工作内容如下:(1)考虑到时间间隔感知给用户的偏好带来影响以及会话内提取特征不充分的问题,在时间间隔会话推荐模型中融入扩张卷积,提出了融合扩张卷积的时间感知会话推荐方法。通过时间间隔获取更丰富的上下文信息和用户的个性化行为,同时利用扩张卷积捕获会话内长距离的用户短期交互行为,提高模型的推荐性能。在两个数据集中的实验表明,这种改进方法能够有效提升模型的推荐精确度。(2)为了更好地捕获不同会话中的项目之间的复杂转换关系和更具代表性的项目特征,进一步融入堆叠的自注意力模块,提出了融合自注意力的扩张卷积时间感知会话推荐方法,用以学习更具代表性的用户长期行为偏好。与此同时,由于网络层数的加深会增加模型的复杂度,进而导致模型过拟合问题的出现,为此,对每个自注意力层和前馈神经网络进行残差连接,提高模型的泛化能力。通过对比实验以及消融实验,验证了这种改进方法的有效性和必要性。(3)将本文提出的改进方法应用于新闻推荐系统,并进行相应的软件设计与开发。通过实际运行和功能测试,表明该应用系统可以稳定运行,同时也证明了本文提出的推荐方法具有一定的实用性。

异构环境下服务质量感知的推荐算法研究与实现

这是一篇关于服务质量感知,时间感知,异构环境,Web服务推荐的论文, 主要内容为随着人们对信息需求的日益增长,互联网平台产生了大量功能各异的Web服务,面对海量的服务信息,用户往往需要花费大量的时间来寻找满足自身需求的服务。为了提高Web服务调用过程中的及时性和准确性,服务推荐算法应运而生。但在实际应用场景中,服务分布在不同的边缘服务器中,从而形成了用户服务质量(Quality Of Service,Qo S)分布不同的异构环境,上述的异构环境一方面导致用户与服务的交互数据随时间、网络动态发生变化,增加服务推荐的复杂性。另一方面导致用户调用服务所产生的Qo S数据比较分散且存在隐私泄露的风险。因此,为了在异构环境下为用户推荐高效、准确的Web服务,论文对上述问题进行探索,提出了基于时间感知的单平台服务推荐算法和基于隐私保护的跨平台数据特征感知服务推荐算法。此外,为了验证所提算法的可拓展性,论文进一步将算法推广到实际的应用场景中以解决生活中的交通堵塞问题,具体工作如下:(1)针对在单平台中用户调用Web服务的Qo S值动态变化问题,提出了一种基于时间感知的服务推荐算法。该算法引入时间维度,突破用户和服务交互数据唯一性、静态性的局限。主要分为两个阶段:第一阶段预测历史时间片中的缺失值,采用基于内存的协同过滤推荐算法来预测历史时间片上缺失的Qo S值。第二阶段分析发现连续时间间隙上用户Qo S值之间具有强相关性,并通过参照历史时间片中的Qo S值来预测当前时间片中缺失的Qo S值。与其他算法相比,该算法不仅保证了准确性和及时性,还满足了用户动态调用服务的需求。(2)针对跨平台中用户-服务交互数据稀疏和用户隐私安全问题,提出了一种基于隐私保护的跨平台数据特征感知服务推荐算法。该模型分为隐私保护和预测缺失Qo S值两个阶段,第一阶段采用隐私保护策略(Security Policies and Procedures,SPP)对用户数据进行加密处理,达到保护用户隐私的目的。第二阶段采用潜在因子模型(Latent Factor,LF)对稀疏的数据进行密集提取,并对数据进行基于密度的聚类,进而通过矩阵分解预测缺失值。对存有用户信息的其他平台采用同样的预测算法,再进行加权求和得到最终的预测结果。与其他算法相比,该算法不仅保护用户隐私,还在一定程度上缓解了稀疏数据导致的冷启动问题,提高服务推荐的准确性,并把预测的结果下放到边缘端,降低服务的响应时间。(3)将上述提出的Web服务推荐算法集成并推广到智慧交通应用场景中,设计并实现了智慧交通道路预测推荐系统。该系统在异构环境中考虑时间感知和跨平台数据特征感知对路径预测的影响,在一定程度上为用户提供合适的道路服务以避免交通堵塞,也进一步验证了论文所提算法具有一定的场景拓展性。

异构环境下服务质量感知的推荐算法研究与实现

基于Hadoop的协同过滤推荐算法的研究与实现

这是一篇关于推荐系统,协同过滤,时间感知,用户信任,Hadoop的论文, 主要内容为随着web2.0时代的迅速崛起和智能硬件的普及,网络用户在互联网生活中发挥着越来越重要的作用。用户不再是被动的接受信息,而是更加主动的创造信息。与此同时,网络用户正面临着严重的“信息过载”问题。为了利用相关数据挖掘技术有效解决这个问题,本文以协同过滤推荐系统为代表的信息过滤技术进行算法研究和实现。本文的主要工作和创新如下:(1)随着社会网络的出现和普及,用户信任度是社会网络中的重要信息。针对当前基于信任感知的推荐系统中没有考虑用户在不同兴趣领域有不同的行为偏好。因此本文提出一种考虑用户间特定域的信任关系,并且结合推荐项目特征属性的社会化推荐算法。该算法在Epinions数据集上取得了较好的效果,尤其是在推荐精度与评分误差上达到了更佳的推荐性能。(2)由于项目在推荐系统中具有周期性和时效性,即项目从添加、更新到淘汰反映用户偏好的变化,这也是从项目角度观察到的时间属性。针对基于时间感知的推荐系统难以解决新加入系统的优质项目或关注度很小的项目无法被推荐的问题。本文提出一种结合项目近期流行度和用户信任的协同过滤算法,该算法在Movielens数据集上的实验结果表明,在推荐的多样性和推荐准确度上取得了显著的优势,在一定程度上缓解了系统的冷启动问题。(3)针对单机模式下推荐系统难以解决系统的扩展性问题。本文提出利用Hadoop开源分布式框架将协同过滤算法进行分布式处理,在MapReduce编程模型下,利用集群优势来解决系统的可扩展性问题和并行处理大规模数据的能力。通过实验分析可知,Hadoop分布式平台在处理大规模数据有着明显的优势,不仅提高系统的推荐效率,而且解决了系统的可扩展性问题。

基于时间感知的跨领域商品推荐研究与实现

这是一篇关于跨域推荐,时间感知,短期兴趣,兴趣转移,系统设计的论文, 主要内容为随着网络的高速发展,用户在网络上的足迹记录越来越多。为了提高用户的体验,满足用户的个性化需求,个性化推荐系统被提出来。传统的推荐系统都是在单域中进行推荐,会面临冷启动与数据稀疏的问题。跨域推荐的提出,实现了可借助其他域中的数据为用户进行推荐,解决了单域推荐系统中存在的冷启动与数据稀疏问题。但随着用户在网络上的交互越来越频繁,越来越广泛,用户在不同域之间的兴趣会产生影响,这时候,跨域推荐不仅仅是作为纯粹的辅助推荐,而是有了具体的实现场景。本文解决的问题基于以下场景,用户先在源域中对某些商品有明确的兴趣表达,随后可能会将这种兴趣转移到其他域中。以追星者为例,其前一段时间看了大量某位明星的相关影视后,对其感兴趣,成为了其粉丝,为了更好地支持该偶像,其会在近期购买该明星的相关的杂志。即用户的短期兴趣可能与其在其他域中的短期兴趣有关,并由其他域中的短期兴趣转移而来。基于此场景,本文提出了基于时间感知的跨领域商品推荐,时间感知用于探究上述场景中的兴趣转移和跨领域推荐。本文的主要工作如下:首先,提出了基于时间感知的跨领域商品推荐模型,该模型主要分为四个模块,用户和商品向量表示,基于时间感知特征构建数据集,用户短期兴趣建模,跨域兴趣转移。用户和商品向量表示模块使用矩阵分解与贝叶斯个性化排序获得用户与商品的向量表示。基于时间感知特征构建数据集,根据预先设定的时间感知参数划分训练数据集。用户短期兴趣建模中使用门控循环单元将用户短期商品序列建模为用户兴趣表示,并与用户的向量表示拼接,得到用户的短期兴趣表示。跨域兴趣转移模块中将用户的短期兴趣表示通过多层感知机映射得到其在另一个域中的短期兴趣表示,以此为该用户在另一个域中推荐商品。其次,本文通过实验探究不同时间感知特征组合的效果,为用户不同域中短期兴趣形成与兴趣转移的特点给出合理的解释,并在最优时间感知特征组合划分的数据集基础上与基准模型进行比较,选取亚马逊评分数据作为数据集,以准确率和召回率作为评价指标,从结果上看,本文模型在特定场景域组合下,多个指标的表现优于基准模型,表明本文提出的模型是有效的与可行的。最后,本文基于上述场景及模型进行了相应的系统设计,该系统以电影与书籍两种商品为基础,在实现了基本的电影书籍查看及评分功能的基础上,以本文模型为主要模型实现了根据用户在一个域中的最近商品交互序列,为用户在另一个域中进行商品推荐的功能。