5篇关于信任机制的计算机毕业论文

今天分享的是关于信任机制的5篇计算机毕业论文范文, 如果你的论文涉及到信任机制等主题,本文能够帮助到你

基于社区支持农业模式的农产品供应链运作机制研究

这是一篇关于CSA模式,信任机制,合作契约,运营策略,套餐订购的论文, 主要内容为社区支持农业(Community Support Agriculture,下文简称CSA)作为一种新型的农业生产方式,自2006年传入中国后已经有十多年的历史。CSA模式为消费者和生产者创造了一种直接沟通,相互支持实现共担食品生产风险和利益共享的合作方式。各地CSA农场的实践由过去的“星星之火”逐渐发展为如今的“燎原之势”,但是在快速发展的过程中也面临着严峻的问题和挑战。随着互联网+农业的蓬勃发展,越来越多的电商平台开始加入到CSA项目的运作中,CSA农场数量的不断增加以及供应链结构日趋复杂化,都使得供应链成员的信任机制发生新的变化,并引发了供需不匹配问题。如何在考虑信任的前提下设计基于CSA模式的农产品供应链的运作机制,已成为能否推动我国社区支持农业健康可持续发展的首要问题。本文结合CSA模式不同发展阶段的时代特征,在基于CSA模式的农产品供应链中研究信任机制对于各参与主体合作契约选择、运营策略选择和套餐订购策略的影响,首先,在社区支持农业刚传入中国时,CSA农场和消费群体开始尝试直接对接,共同加入CSA项目,然而CSA农场对于新生事物持怀疑态度,而且与消费群体的关系也很陌生,会导致CSA农场不信任消费群体的预定数量,那么CSA农场和消费群体将会选择签订哪种契约(成本共担契约和收益共享契约)来改善供应链绩效?然后,随着大数据、云计算、物联网等互联网技术的发展以及在农业领域的推广应用,一些电商平台开始加入CSA项目的运作。当前,平台连接模式逐渐形成一种典型运营模式,一定程度上缓解了消费者对农产品生产过程信息不对称的问题,加速了生产者与消费者双方间的信息交流与沟通,那么信任机制将如何影响运营模式(直接对接模式和平台连接模式)的选择?最后,随着社区支持农业规模的扩大,单一品种的有机农产品已经无法满足消费者日益差异化、多样化和个性化的需求,不同品种的CSA农场开始走向合作,由电商平台搭配成标准套餐销售给消费者。未来,套餐订购方式将会成为具有发展潜力的新兴模式。那么由供应品种单一的某一种蔬菜水果发展到供应品种的较为丰富的套餐订购方式,套餐订购方式和之前有何区别?论文通过对上述问题做出的研究分析,得到了如下主要结论:(1)如果收益共享比例不高于某一阈值,CSA农场和消费群体会共同选择成本共担契约;如果收益共享比例高于某一阈值,CSA农场和消费群体会共同选择收益共享契约;如果收益共享比例适中,CSA农场和消费群体将综合比较收益共享比例和成本共担比例的大小来选择不同契约;随着CSA农场的初始信任水平不断提高,CSA农场和消费群体共同选择收益共享契约的区域不断增大;随着CSA农场的信任差异敏感系数不断提高,CSA农场和消费群体同时选择成本共担契约的区域不断增大。(2)如果电商平台的单位惩罚系数不高于某个阈值,CSA农场一直选择直接对接模式。如果CSA农场对消费群体的信任水平高于某个阈值时,消费群体一直选择直接对接模式。CSA农场和消费群体在选择运营模式时的倾向性会出现较大的偏离。举个例子:随着电商平台单位惩罚系数的不断提高,如果CSA农场倾向于选择平台连接模式,相反地,消费群体却可能更愿意选择直接对接模式。(3)如果CSA农场对电商平台的信任水平高于某一阈值,CSA农场的生产计划都可以满足电商平台的预定数量,搭配成标准套餐销售给消费者,电商平台无需采取措施去激励CSA农场完成预定数量;而如果CSA农场对电商平台的信任水平不高于某一阈值时,至少有一个CSA农场的生产计划无法满足电商平台的预定数量,电商平台需要设计价格折扣合同,鼓励CSA农场制定更多的生产计划;无论是在分散决策情况下还是在价格折扣合同下,电商平台的利润都会随着单位冷链物流成本的增加而下降;信任水平和折扣价格都会对CSA农场和电商平台价格折扣合同选择意愿产生影响,而且CSA农场和电商平台的选择意愿既具有一致性又具有差异性。随着CSA农场数量的增加,供应链主体之间的信任问题变得越来越严重,电商平台对价格折扣合同的需求也变得越来越紧迫,价格折扣合同的改善效果更加显著。本文的研究结论表明,CSA模式的发展趋势复杂而多变,不同的决策主体应根据不同发展阶段特征合理地选择运营策略。CSA农场应该根据现实的市场条件来选择合适的合作契约,要借助互联网、物联网和大数据等技术手段,增强预测市场需求的能力以及对市场信息获取和数据分析能力;电商平台则应要认真履行监督职责,加大失信行为的惩戒力度,利用信息技术跟踪信用档案,建立长期信用评估机制,加强冷链物流的智能化、节能型的建设;对有机农产品消费群体而言,可以主动承担社会责任,利用自身资源优势帮助CSA农场日常经营、宣传推广,加强利益联结机制建设,实现CSA农场与消费市场的有机衔接,让参与CSA农场的农民合理分享社区支持农业增值收益。上述研究结论能够指导基于CSA模式农产品供应链的决策过程,促进各参与主体的合作共赢,为CSA的可持续发展提供政策建议。

大数据环境下改进推荐算法研究与实现

这是一篇关于推荐算法,大数据,信任机制,人口统计特征的论文, 主要内容为互联网的迅速发展,为信息量的惊人膨胀提供了土壤,大量信息在给人们提供更多价值的同时,也意味着人们为了寻找合适的信息必须付出更大的成本。推荐系统作为一种普遍使用的信息过滤手段,已越来越受到人们的重视。由于协同过滤算法的易理解性以及其仅依赖历史评分数据等特征,使其成为使用最多的推荐算法之一,但其本身存在着冷启动、数据稀疏性、难以扩展等问题。同时,随着物联网、云计算、移动互联网等新技术的快速发展,当前的数据量级甚至达到了PB、ZB级,信息社会已步入大数据时代。然而,商品和用户数量的急剧增加,使得单机系统的计算时间、存储空间都已成为影响推荐性能的重要因素,如何在大数据环境下改进传统推荐算法已成为一个亟待解决的问题。为取得更好的推荐效果,本文以解决或在一定程度上缓解这些问题为目标,首先重点分析了传统经典推荐算法以及常见的改进推荐算法在推荐系统中的应用,并针对传统推荐算法存在的冷启动与数据稀疏性问题,提出了一种将用户人口统计特征与信任机制相结合的协同推荐算法,并进行多组对比实验,实验结果表明:该方法不仅对推荐准确率有明显提高,而且由于引入了人口统计特征与信任机制,考虑了多重因素的影响,极大的缓解了冷启动与数据稀疏性问题。另外,针对大数据环境下,面临海量数据时出现的计算性能及可扩展性等问题,本文将提出的改进推荐算法进行MapReduce并行化处理,并进行了相关对比试验。实验证明了本文并行化改进推荐算法在缓解数据稀疏性、解决冷启动问题、并提高推荐准确性的同时,在扩展性及计算效率上都有较好的效果。最后,为进一步验证算法的实用性和有效性,本文设计了一个基于改进推荐算法的在线书目推荐原型系统,在对系统需求分析的基础上,介绍了系统的设计框架与流程,采用Hadoop分布式框架、JavaWeb技术以及MySQL数据库构建系统,并展示了推荐结果。

基于信任机制的推荐算法研究

这是一篇关于推荐算法,协同过滤,信任机制,K-means聚类算法,深度学习的论文, 主要内容为互联网的迅速发展导致数据规模不断增大,信息过载的问题越来越严重,用户获取到的有效信息越来越少,在这种背景下,推荐系统应运而生。而协同过滤(Collaborative Filtering,CF)算法作为推荐系统中应用最为广泛的算法却面临着较多问题,比如冷启动、数据稀疏性和准确度较低等。因此,面对规模不断膨胀的社交网络,基于传统协同过滤算法的推荐系统难以应对这种现状。推荐系统给人们提供有价值信息的同时,也产生了一些垃圾信息,这时人们更易接受来自信任用户的推荐,因此本文充分利用用户间信任关系,提出基于信任机制的推荐算法。研究者们证明将社交网络中的信任关系融合到推荐算法是非常有意义的。以下是本文研究的具体内容:(1)为了减少最近邻用户的搜索范围,本文在研究信任机制的基础上,将用户间信任度和相似度融合后取代传统K-means聚类算法中的相似度,并把最终的相似度作为用户簇划分的标准。同时与基于K-means聚类的项目协同过滤算法结合,提出双聚类的TK-means*CF算法。在两个数据集的实验结果表明该算法可以有效缓解数据稀疏性问题,提高预测的准确性。(2)针对协同过滤算法中数据稀疏性的问题,提出了基于堆栈降噪自编码器(Stacked Denoising Auto Encoder,SDAE)的对称信任机制算法。首先,使用SDAE整合社交网络中用户间的评级和显式信任信息,并将其应用于协同过滤算法中,提出T-SDAE CF算法;其次,通过局部和全局信任度挖掘出用户间的隐式信任关系,并将其融合到T-SDAE CF算法中,提出T-SDAE*CF算法;最后,通过大量的实验证明该算法可以更好的学习评级数据与信任数据中的深层表征,进而提升推荐效果。

面向协同过滤推荐的相似用户搜索算法研究

这是一篇关于推荐系统,协同过滤,数据稀疏性,相似用户搜索,迭代预测,信任机制的论文, 主要内容为互联网技术的快速发展让人们不仅能够从互联网中高效获取大量信息,还可以不断地产生信息上传到互联网,从而导致了互联网上信息数据的爆炸式增长。推荐系统作为解决互联网信息过载问题的关键技术,其核心思想是通过用户历史行为数据挖掘出用户的个性化偏好,从而为用户推荐其感兴趣的物品。在推荐系统中,协同过滤算法因其具备较强的可解释性以及领域无关等优势而被广泛应用,其实现一般可分为两个阶段:相似用户搜索阶段和评分预测阶段。目前,数据的稀疏性以及评分的多样性问题对协同过滤算法性能的影响仍然存在。为了缓解上述问题,本文针对协同过滤算法的两个阶段,特别是相似用户搜索阶段,展开研究。通过引入了多阶近邻、评分子空间以及信任机制概念,本文较好地解决了数据稀疏性和评分多样性问题,减少预测误差并提高推荐准确度。本文的创新工作总结如下:(1)提出基于多阶近邻的协同过滤推荐算法。在经典的协同过滤算法中,相似用户集是直接根据高相似度来选择的。但是,评分数据的稀疏性会导致用户相似度的不准确。为了提高相似用户集的质量,本文利用多阶近邻的概念,提出了基于多阶近邻的协同过滤推荐算法。在多阶近邻的基础上,该算法设计了基于多阶近邻的相似用户搜索方法以及相应的迭代评分预测方案。在四个真实数据集上的实验结果验证了该推荐算法能够筛选出高质量的相似用户集,提高了推荐性能。(2)提出基于评分子空间的协同过滤推荐算法。由于基于多阶近邻的相似用户搜索方法是对评分数据直接进行处理的,因此评分多样性问题对其搜索结果造成了一定影响。为了进一步提高相似用户集质量,本文提出基于评分子空间的协同过滤推荐算法。该算法首先将评分划为高、中、低三个级别;然后根据评分级别,分别为每个用户建立其高、中、低评分物品集合,即用户评分子空间。利用用户评分子空间,本文设计了一种新的相似度度量方式,结合多阶近邻的相似用户搜索方法来生成相似用户集,并预测用户对物品的评分。在真实数据集上的实验结果验证了该算法能缓解评分多样性带来的问题,并取得较好的预测性能。(3)提出基于评分子空间和信任机制的协同过滤推荐算法。为了提高相似用户搜索的可靠性,本文引入信任机制,提出基于评分子空间和信任机制的协同过滤推荐算法。本算法涉及到的信任是源于用户显式声明过的关系数据,该数据能够对稀疏的评分数据进行补充。利用用户的信任关系,本文设计了一种基于评分子空间和信任机制的相似度度量方式,并将之引入到多阶近邻的相似用户搜索方法和迭代评分预测方案中。实验结果表明,所提算法提高了推荐的准确度,具备较好的预测能力。