6篇关于用户属性的计算机毕业论文

今天分享的是关于用户属性的6篇计算机毕业论文范文, 如果你的论文涉及到用户属性等主题,本文能够帮助到你

基于Spark平台的推荐算法研究与应用

这是一篇关于协同过滤,局部相似性,用户属性,Spark的论文, 主要内容为进入数据时代后,互联网上存储的数据量呈指数级增长,面对海量数据,一般搜索功能不能满足所有需求,无法充分挖掘用户兴趣。推荐系统随之诞生,它帮助用户更快地发现感兴趣的高质量信息,在用户需求模糊的情况下也能提供比搜索方式更为精准的内容。论文重点对局部相似性、近邻选择以及在协同过滤推荐中的应用展开研究。首先,基于用户对事物偏好不同的特点引出局部相似的概念,设计了用于提升数据密度的LSWSO算法,该算法从标签着手,确立了以标签因子为衡量准则的聚类算法,并利用遗忘函数解决用户兴趣漂移问题,然后借助加权Slope One算法填充矩阵,降低数据稀疏性;为了提高聚类效率,LSWSO算法在Spark平台上实现了并行化方案。其次,将并行化的LSWSO算法融合基于用户的协同过滤,设计了LSWSO-User CF算法,该算法在使用LSWSO获得相对稠密的评分矩阵后,结合用户属性计算相似度并挑选近邻集合,接着以近邻为参考对象进行预测评分和Top-N推荐;另外,LSWSO-User CF算法还利用LSWSO的特点提出了一种冷启动解决办法;同时,基于开发环境一致性等因素的考量,LSWSO-User CF同样采用Spark进行并行计算。最后,开发了一个较为完备的个性化音乐推荐原型系统,将并行LSWSO-User CF算法应用于该系统的推荐模块,进一步检验算法的实用性。使用Movie Lens和Tag-Genome数据集在Spark平台上进行实验,测试结果显示并行化LSWSO算法和并行化LSWSO-User CF算法在大数据场景下有较好的性能表现。

基于协同过滤的个性化推荐算法研究

这是一篇关于协同过滤,个性化推荐,矩阵填充,用户属性的论文, 主要内容为随着人工智能和网络技术的发展,人们可以通过各种途径获取信息。但同时也产生了信息过载的问题,用户无法在海量的信息中找到感兴趣的内容,于是个性化推荐技术应运而生。个性化推荐系统是解决“信息过载”的有效方法,并且已经被应用到各个领域,比如电商,电影,社交。协同过滤技术由于其易于实现、跨领域等优势,已经成为个性化推荐中应用最成功的技术之一。然而传统的协同过滤算法由于数据稀疏、冷启动、扩展性、鲁棒性、实时性差等问题影响了推荐的准确度。针对以上问题在分析用户行为和相关评分数据的基础上,针对其缺陷提出了一系列的改进措施,经过试验验证改进后的协同过滤算法的推荐准确度会得到一定的提高。本文主要的工作如下:1.为了解决协同过滤算法中存在的因为数据稀疏而导致的推荐效率不高的问题,提出了一种基于用户相似性的Slope One矩阵填充的协同过滤算法。该算法先使用基本的余弦相似度计算用户之间的相似度并按照相似性从高到低排列,取前n个相似性较高的用户生成用户相似度矩阵,然后用Slope One算法对近邻用户未评分项目进行预测并将预测值用于填充原始的用户-项目评分矩阵,最后按照传统的基于项目的协同过滤算法进行推荐,本文提出的算法模型缓解了数据稀疏的问题,并且在评分预测的过程中考虑到用户的相似性对评分结果的影响,推荐效果优于一般的在协同过滤基础上的推荐算法。2.在已有的协同过滤推荐算法中,并没有充分的考虑到用户属性和项目标签这些因素对推荐质量的影响,因此文中综合考虑了基于用户的属性相似性和基于项目标签的用户相似性对推荐结果的影响,将用户-属性相似性和用户-标签相似性结合到用户相似性计算之中。最终得到的用户相似性是用户-属性相似性和用户-标签相似性的加权,通过调整加权系数的使用有效的缓解了用户相似性矩阵的稀疏性,进一步提高了用户相似度的准确性,使推荐结果更加精确。通过实验可以看出,本文改进的两种算法相对于原算法在数据稀疏性和算法推荐的准确率方面均有所改善。本文的推荐算法对提高用户体验具有积极作用,对个其他方向推荐算法的研究有一定的借鉴意义。

融合时间效应和用户属性的推荐算法研究

这是一篇关于协同过滤,用户属性,Slope One算法,时间上下文信息的论文, 主要内容为在网络信息科技飞速发展的同时,网络上的信息实现了跨越式的增长。用户在海量信息里获取有用的信息需要花费大量的时间成本,如何给用户筛选符合其兴趣爱好的内容也成为了各大软件和网站急需解决的问题。随着推荐系统的快速发展,新的推荐算法不断被提出并研究,其中作为传统算法的协同过滤算法虽然被很多学者研究,但其仍存在不足。协同过滤算法都只考虑了用户-评分或项目-评分的信息,考虑角度单一,且用户行为数据过于稀疏。没有考虑到用户信息对推荐效果的影响以及用户的兴趣随着时间的变化情况。针对上述提到的问题,本文做了以下工作:一.传统的相似度只考虑了用户项目评分信息降低了用户相似度的准确性,因此将用户属性信息引入到用户相似度中作为综合用户相似度,并将其引入到加权Slope One算法中来计算出项目Dev从而预测项目评分,缓解数据的稠密度问题,提高算法的准确性。二.针对协同过滤算法考虑角度单一的问题,本文引入时间因素,考虑时间效应对用户兴趣的影响。通过艾宾浩斯遗忘曲线来计算用户在时间因素下的相似度,根据改进的用户相似度和相似度支持度进行预测评分。最后将两种算法进行融合,解决了单一算法存在的问题即Slope One算法两种项目无共同评分不可预测的缺点,改进了单一算法的局限性并提升预测的准确性。最后本文将算法应用到Movielens数据集上来验证融合时间效应和用户属性算法的有效性,通过实验对比分析改进后的算法在MAE和RMSE值上有较好的结果,提升了推荐性能。

融合知识图谱的多层兴趣建模及其在推荐系统中的应用

这是一篇关于知识图谱,用户属性,兴趣建模,向量表征,自适应权重,电影推荐系统的论文, 主要内容为科技的飞速发展伴随着数据量的爆炸式增长,“信息过载”成为人们亟待解决的问题之一。个性化推荐系统作为目前广泛使用的信息过滤手段,主动为用户推荐感兴趣的内容,大大缩减了决策时间成本,使人们获得丰富多样的信息服务。知识图谱作为一种多源异构信息,可为推荐算法提供丰富的先验知识,细粒度表征用户或项目之间的语义关联,有效解决数据稀疏性问题,提高推荐系统的性能。然而现今的大多模型主要依靠历史交互无法挖掘到用户的深层兴趣,且新用户的冷启动问题始终是阻碍推荐系统发展的一大难题。针对上述问题本文提出一种改进的用户兴趣模型,并以该模型为算法支撑设计开发了电影推荐系统。具体研究内容如下所示:(1)本文提出融合知识图谱和用户属性的多层兴趣模型(MIKU)。该模型首先以用户的历史交互项目为知识图谱的头实体构建浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对不同行为及兴趣点的偏好权重。在细粒度刻画物品特征的同时,更全面完备地表征用户兴趣,并且结合了用户的属性特征有效解决了冷启动问题。通过在公开的电影数据集验证,结果表明MIKU模型同诸多基准模型相比,在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%。(2)为证实所提算法的可行性,本文利用豆瓣网站爬取并处理真实数据信息,根据相关技术构建完整的豆瓣电影知识图谱,同时设计和实现了一个基于知识图谱的电影推荐系统。首先以用户体验为原则进行系统需求分析,从数据获取、知识图谱构建和电影推荐系统实现三个模块对整体框架进行设计,并对各模块设计方法进行详细解析。系统具体实现采用Python语言,利用爬虫技术和PyQt5集成库完成基于知识图谱的电影推荐系统开发,同时结合Neo4j图数据库将知识存储并可视化展示。通过对系统进行详细的功能测试和界面优化,在保证用户需求的同时,可利用知识图谱为推荐列表提供一定的可解释性,保证系统的可行性。