基于卷积矩阵分解的煤炭产品推荐方法研究
这是一篇关于智能推荐系统,评分矩阵稀疏性,词嵌入,膨胀卷积,矩阵分解的论文, 主要内容为煤炭是支撑国家战略性发展的重要能源。在山西等地区煤炭交易市场中往往受到地方性政策、业务发展水平和市场服务能力等多种因素限制,煤炭商品标准化程度低、供销模式过于传统化、煤炭产运衔接不利等问题逐渐暴露。市面上大量优质企业往往面临生产制造任务紧急而难以短期内购得品质上乘、价格合理、运费低煤炭产品的尴尬局面。考虑到煤炭商品本身的价格和销售过程中长途产生的运费问题使得煤炭交易很难实现标准化,难以结合自身属性制定理想的销售策略以找到最优质的买家。随着现代化网络交易模式的不断兴起,利用智能推荐系统通过一系列决策可以引导买家做出相对合理购买行为,该方法或将为煤炭行业数字化转型起到推波助澜的作用。然而,在面对数量众多的受众群体时,往往存在已知用户对商品评论信息较为稀缺的情况,因此会带来的严重的物品评分矩阵稀疏性问题。基于以上分析,本文主要研究内容如下:(1)从协同过滤思想出发设计了基于模型的推荐方法TCRM,使用卷积神经网络从用户和项目文本信息中获得相关属性的词嵌入作为特征,将特征向量作为推荐模型的关键因子,融合矩阵分解方法通过用户特征及项目特征向量重构评分矩阵以产生用户对项目的评分,并结合用户之间特征的相似度及项目之间的特征相似度完成不同维度下的煤炭产品推荐。(2)提出GCEM模型将TCRM通过多通道分组膨胀卷积的方式对卷积核进行改造,增大了滤波器的滑动感受野,避免了膨胀卷积在像素计算中的栅格效应问题,较大程度的保留了属性文本语义信息的连贯性。(3)在GCEM模型的基础上根据实际评分矩阵与预测矩阵观测误差基于高斯分布的假设,通过后验概率最大的目标优化矩阵分解,提出了DCPMF推荐模型。在总体框架的基础上引入了Spark技术在煤炭交易数据集上对所提方法进行对比实验,实验结果表明,本文提出的TCRM、GCEM、DCPMF模型在有效挖掘辅助信息的同时拥有较优的推荐准确率及RMSE值,显著提高了推荐质量。
基于社交电商的UGC智能推荐系统设计与实现
这是一篇关于社交电商,UGC,系统过滤,模糊分类,智能推荐系统的论文, 主要内容为用户产生内容(User Generated Content,简称：UGC)是社交电商时期的主要信息模式。UGC呈现碎片化、海量、无序的特点,如何借助这些来自于社交电商的UGC数据来找到用户感兴趣的商品已经逐渐成为一个急需解决的问题。目前已有的推荐系统大多基于指定的电商平台,而基于来自社交电商平台的UGC数据的推荐系统,所依据的数据杂乱,数据的主观性强,如果用目前已有的推荐算法来进行推荐的话,明显已经不适用了。为此本文提出了一种基于社交电商UGC数据的智能推荐算法。为了提高推荐系统的精确度,本研究在利用潜在因子算法的原始用户的初始推荐的基础上,提出了一种新的基于多目标模糊识别的用户分组算法,并基于用户隶属度对传统的协同过滤算法进行了改进,使得系统对用户的推荐依赖于相似人群的兴趣爱好并且新用户的兴趣爱好也对老用户产生影响。和传统电商平台相比,UGC电商平台因为大部分用户只评分过全部商品中很少一部分,数据碎片化现象严重,其数学抽象是一个稀疏矩阵。传统的Slope One算法直接应用于UGC推荐系统显然不适合。本研究结合UGC平台特点,针对有一定用户和商品积累的UGC电商平台,根据相似喜好的用户群的特征能更好的推测用户对陌生商品的喜好程度这一思想,着重解决基于用户聚类的智能推荐。通过算法研究和系统功能分析,本文对基于社交电商的UGC智能推荐系统进行了系统架构设计和功能分析,针对有一定用户和商品积累的UGC电商平台,研究并解决了新用户进入为系统带来的两个新的问题：一方面推测新用户对系统已有商品的评分情况；另一方面还要推测老用户对新增商品的评分情况。最后借助开源项目Apache Mahout和从GroupLens项目获取的真实电影评分数据为实验数据来进行了系统实现,并对算法有效性进行了验证。
数据挖掘技术在智能推荐系统中的研究与应用
这是一篇关于数据挖掘,网上智能,智能推荐系统,贝叶斯网的论文, 主要内容为数据挖掘(Data Mining)是近十几年中迅速发展起来的交叉学科,它融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术,搭建了上述理论研究与实际应用间连接的桥梁。因其所涉及的知识领域众多、应用范围广泛,数据挖掘已成为最为研究人员和商业组织所关注的领域之一。当前数据挖掘的最大研究热点之一是WEB 挖掘,来自INTERNET 的各类数据和需求对数据挖掘提出了新的挑战,也为数据挖掘技术拓展了新的研究平台。网上智能(Web Intelligence)是一个新的研究方向,它集成了人工智能和信息技术领域最新的成果,大大强调了智能手段在互联网上的应用,数据挖掘技术在网上智能的研究中有着很重要的地位。基于网络的智能系统研究是WEB 挖掘和网上智能的重要研究方向,而智能推荐系统(Intelligent Recommendation System)又是网上智能系统的典型应用。随着互联网上信息的不断增长,人们不愿在信息的搜索和辨别上浪费时间而将自身迷失在数据的海洋当中,因此希望有一种友好而实用的方式帮助解决类似的问题,这为智能推荐系统的发展提供了机遇。 本文重点研究了贝叶斯网(Bayesian Network)的学习、推理算法,实现了一个基于条件独立方法的贝叶斯网学习算法和基于随机概率的推理算法,并对其学习和推理效果进行了比较和分析。以贝叶斯网为模型,文中设计和实现了一个网上智能推荐系统—PIR系统(Personalized Intelligent Recommendation System),并将其扩充为一个开放性的智能推荐系统框架,在PIR 系统框架上可以方便的扩充新的推荐算法,并将其快速集成到现有的电子商务或数字图书馆等应用系统当中。 本文是这样安排的:首先对数据挖掘技术进行了综述,介绍了数据挖掘的基本概念及其主要算法,给出了数据库中知识发现的主要过程和步骤。之后阐述了智能推荐系统产生的必要性,详细讨论了智能推荐系统在电子商务和数字图书馆系统当中的应用,总结了当前比较有代表性的各种智能推荐算法,并给出了对智能推荐算法的有效评价方法。本文对贝叶斯网络进行了综述,介绍了
人工智能赋能教与学的应用工具智能推荐系统的设计与实现
这是一篇关于人工智能,赋能,智能推荐系统的论文, 主要内容为人工智能技术作为新一轮科技革命和产业变革机遇的战略性技术,正在对教育行业和技术产业的发展产生重大而深远的影响。从开发教育产品的企业和工程师,到基础教育管理和决策者、教育工作者、学习者和家长,教育领域不同角色的参与者都深切地感受到人工智能技术带给教与学的改变[1]。而以人工智能技术为核心的新兴技术的发展推动了基础教育产学研领域的系统性变革,从教与学的思想、方式、途径和工具方面,深刻影响着基础教育领域的学校、教师、学生和家长。本文从“备、教、学、考、评、管”一体化的应用工具智能推荐系统赋能教师的教研和教学。本文主要进行了以下研究:1、通过查找有关文献,对相关研究动态进行了分析,梳理了目前人工智能在教育领域的发展现状,并分析了当前人工智能是如何在基础教育领域发挥作用的,通过研究现状发现当下基础教育领域内主要是通过人工智能类软件的使用来助力教学过程,并解释了人工智能赋能的内涵,基于此提出了将人工智能教育类产品按照“备教学考评管”六大环节进行分类整理,构建了人工智能赋能教与学的应用工具智能推荐系统供中小学基础教育阶段的教师根据实际情况选择、学习、应用。2、根据对目前市面上现有的人工智能教育产品分析研究,分析这些智能软件的功能、特点,按照“免费优先,收费求精”的软硬件系统选择原则,权衡人工智能赋能“备教学考评管”六环节的需求与期望效果的矛盾,形成了“人工智能+大数据”赋能教与学的体系化软硬件三层推荐应用策略,并根据这一策略构建了人工智能赋能教与学的应用工具智能推荐系统。3、通过对该系统进行设计、开发,最后将智能推荐系统投入测试,并以问卷调查的形式收集教师对平台界面、功能、资源、有效性等方面的评价反馈。数据分析表明本系统初步达到预设,表现良好,可为后续相关学习资源的开发提供一定的经验指导。
基于社交电商的UGC智能推荐系统设计与实现
这是一篇关于社交电商,UGC,系统过滤,模糊分类,智能推荐系统的论文, 主要内容为用户产生内容(User Generated Content,简称：UGC)是社交电商时期的主要信息模式。UGC呈现碎片化、海量、无序的特点,如何借助这些来自于社交电商的UGC数据来找到用户感兴趣的商品已经逐渐成为一个急需解决的问题。目前已有的推荐系统大多基于指定的电商平台,而基于来自社交电商平台的UGC数据的推荐系统,所依据的数据杂乱,数据的主观性强,如果用目前已有的推荐算法来进行推荐的话,明显已经不适用了。为此本文提出了一种基于社交电商UGC数据的智能推荐算法。为了提高推荐系统的精确度,本研究在利用潜在因子算法的原始用户的初始推荐的基础上,提出了一种新的基于多目标模糊识别的用户分组算法,并基于用户隶属度对传统的协同过滤算法进行了改进,使得系统对用户的推荐依赖于相似人群的兴趣爱好并且新用户的兴趣爱好也对老用户产生影响。和传统电商平台相比,UGC电商平台因为大部分用户只评分过全部商品中很少一部分,数据碎片化现象严重,其数学抽象是一个稀疏矩阵。传统的Slope One算法直接应用于UGC推荐系统显然不适合。本研究结合UGC平台特点,针对有一定用户和商品积累的UGC电商平台,根据相似喜好的用户群的特征能更好的推测用户对陌生商品的喜好程度这一思想,着重解决基于用户聚类的智能推荐。通过算法研究和系统功能分析,本文对基于社交电商的UGC智能推荐系统进行了系统架构设计和功能分析,针对有一定用户和商品积累的UGC电商平台,研究并解决了新用户进入为系统带来的两个新的问题：一方面推测新用户对系统已有商品的评分情况；另一方面还要推测老用户对新增商品的评分情况。最后借助开源项目Apache Mahout和从GroupLens项目获取的真实电影评分数据为实验数据来进行了系统实现,并对算法有效性进行了验证。
IPTV智能推荐系统的设计与研究
这是一篇关于智能推荐系统,收视数据分析,IPTV的论文, 主要内容为随着信息技术和互联网的不断发展,人们逐渐从信息匮乏的时代走入信息过载的时代。作为新媒体行业突出代表的IPTV(交互式网络电视)由于其人性化的交互和实时性的体验,逐渐使用户从后仰式观看习惯变成前倾式观看习惯。作为IPTV的从业人员,如何有效利用大数据分析的结果,让平台内的信息脱颖而出,受到用户的关注;如何使用户从大量信息中获取其感兴趣的信息,为用户提供高品质的个性化服务,是本文的主要研究方向。本研究深入分析新媒体环境下智能推荐的相关应用平台,通过对IPTV平台上的产品相关数据统计、用户行为数据统计以及付费产品数据统计等需求的研究,探索智能推荐系统的创新设计与实现。首先针对智能推荐数据的结构提出设计方案,利用搜索引擎通过网络快速响应客户端的搜索请求,以实现用户对于节目、回看、入口以及信息关联等内容的搜索服务。然后,基于对平台最重要的用户行为数据,利用微软公司的SSIS去设计数据采集程序并对数据进行分析和处理;同时应用ASP.NET技术,将分析产生的结果,利用网页呈现出来,有利于推荐系统下一步工作的实现。最后通过多种算法模型,实现在终端对用户进行智能推荐,同时解决推荐系统中的冷启动问题。通过实际业务环境的应用验证,证实设计的正确性和有效性。本文的研究可为IPTV平台的管理层提供准确的数据分析,为管理者的决策提供充分的数据支持;同时为用户提供高品质的个性化服务提供强有力支撑。
基于知识图谱的承包商智能推荐系统的研究与设计
这是一篇关于知识图谱,智能推荐系统,实体抽取,关联路径的论文, 主要内容为近年来电力企业逐渐扩展业务范围,雇用高质量承包商完成业务扩展任务已成为电力企业一大潮流。但承包商基础信息冗杂,若以传统数据存储方式对承包商信息进行存储并通过人工筛选的方式进行选择将出现效率与准确率低下等问题。针对上述问题,本文设计并实现了基于知识图谱的承包商智能推荐系统,将知识图谱与推荐系统相结合实现承包商的个性化推荐,为电力企业承包商选择困难提供解决方案。本文主要工作内容如下:第一,根据电厂数据的特点提出一种由需求分析设计本体,再由本体补充数据的知识图谱构建方式。将结构化数据与非结构化数据经数据清洗、实体抽取、实体对齐等步骤构建为高质量承包商知识图谱。设计包括承包商、注册资金、违章、人员、领导、处罚、评价、项目、合同九种本体。并将构建完成的承包商知识图谱存储在图数据库Neo4j中,为后续的承包商推荐部分提供数据支撑。第二,设计基于知识图谱关联路径的承包商推荐算法。首先结合相关领域专家意见以及同行业已有数据确定八种承包商评分指标,其次结合知识图谱获得每种指标关联路径并通过关联路径确定指标数值,最后采用熵权法对承包商进行评分,并选取评分较高的承包商进行推荐。第三,设计并实现了基于知识图谱的承包商智能推荐系统。基于以上研究,本文对系统需求进行分析,对系统架构进行设计,确定应用层,逻辑层,数据层三层系统层次架构,并且设计系统功能流程,最终完成智能推荐系统的设计与实现。
匹配人脸特征的眼镜造型智能推荐系统设计研究
这是一篇关于人脸特征提取,眼镜特征提取,神经网络,感性工学,智能推荐系统的论文, 主要内容为在信息系统和物理系统高度融合的背景下,产业模式发生巨大变革,智能化的产品设计、制造以及销售方式成为制造业寻求突破的关键,越来越多的制造业期望依托互联网提升其产品的附加值和竞争力。眼镜是一种市场上常见的产品,除了具备矫正视力、遮阳等使用功能,还起到修饰用户脸部作用。为了提升产品的竞争力,本文研究了匹配人脸特征的眼镜造型智能推荐系统。该系统能够智能化的分析用户的脸部特征和需求,建立脸部特征、眼镜特征、感性评价的关联模型,推荐符合用户的脸部生理特征和心理需求的眼镜,并依托互联网进行个性化推荐。首先,对基于图片的人脸特征提取进行了研究,并用定性评价方法获取被访者对人脸图片的分类,对比有监督学习和无监督学习神经网络对人脸图片的特征归类的预测效果,使用性能好的GRNN神经网络构建人脸分类预测模型。接着,研究了眼镜特征的识别和归类方法,并搭建眼镜分类预测模型。然后,利用感性工学中语意差分的方法研究了被访者对眼镜与人脸匹配效果的感性评价,并利用数量化理论Ⅰ构建人脸特征、眼镜特征、感性评价映射模型。再根据用户对抽象审美的描绘能力,提出了两种需求输入方法:感性词输入法和用户评分输入法。最后,梳理系统架构、绘制系统原型图以及开发系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://m.bishedaima.com/lunwen/49156.html
