6篇关于社会化标签的计算机毕业论文

今天分享的是关于社会化标签的6篇计算机毕业论文范文, 如果你的论文涉及到社会化标签等主题,本文能够帮助到你

基于在线评分和社会化标签的协同过滤推荐方法研究

这是一篇关于社会化标签,隐式信任网络,帕累托占优,协同过滤推荐方法的论文, 主要内容为社会经济及电子商务的快速发展,为消费者带来了很多的便利的同时,也带来了“信息过载”的问题。协同过滤由于具有:对用户干扰较小、易于实现等优势,是推荐系统中最先进的方法之一,但仍存在数据稀疏、可扩展性以及冷启动问题。考虑到现实生活中,人们更倾向于接受信任的好友推荐的物品,结合信任关系信息,能进一步提高用户接受度。但显式信任信息出于隐私较难获取,且由于中用户较多,数据十分稀疏。因此,如何基于在线评分和社会化标签帮助用户进行产品推荐是一个值得关注并且具有现实意义的研究课题。基于此,本文对基于在线评分和社会化标签的协同过滤推荐方法进行了以下几个方面的研究工作:(1)给出基于在线评分和社会化标签的协同过滤推荐方法的研究框架。具体地,给出了基于在线评分和社会化标签的协同过滤推荐问题的描述和研究框架。(2)提出基于在线评分和社会化标签的隐式信任网络的构建方法。本文首先从三个维度计算用户相似度;然后计算基于社会化标签的用户相似度;最后计算基于在线评分和社会化标签的综合相似度,并构建隐式信任网络。(3)提出基于隐式信任网络和帕累托占优的协同过滤推荐方法。本文首先计算初始预测评分的置信度;然后基于帕累托占优寻找可代表性邻居用户集合;最后基于时间衰减的计算最终预测评分。(4)给出基于MovieLens网站的电影推荐的应用研究。将本文的研究成果应用到基于基于MovieLens网站的电影推荐问题中,以此说明了本文提出方法的可行性以及适用性。本文提出的基于在线评分和社会化标签的协同过滤推荐方法可以用于解决现实中信息过载导致的消费者无法快速而准确的进行购买决策制定的问题,为基于隐式信任网络的推荐方法相关研究奠定了一定的基础。

基于标签和关联规则算法优化的移动旅游线路推荐模型研究

这是一篇关于社会化标签,关联规则聚类,移动推荐系统,移动旅游线路推荐的论文, 主要内容为随着移动信息技术的高速发展和信息资源的爆炸式增长,“信息过载”、“信息迷航”等问题的日益严重,如何解决移动环境下纷乱复杂的移动信息过载问题,已成为当下移动个性化推荐领域亟须解决的热点问题。移动推荐系统作为解决这一难题的行之有效的方案,受到了学术界和移动服务商们的广泛关注与应用。可是由于移动推荐的新特性和新数据,传统推荐难以直接应用于移动推荐领域,而现有的研究多是以传统推荐算法为基础,对移动推荐的研究不够深入和彻底。伴随着移动旅游和个性化自助出游的蓬勃发展,针对移动旅游平台的移动旅游推荐非常具有研究价值和实际意义,然而作为其核心的移动旅游线路推荐的研究与应用非常少,且多数移动旅游门户网站只提供基础的基于流行度的旅游景点推荐。针对这一现状,本文构建了移动推荐系统总体架构模型,并提出了UPST-TB和T-ARC两种移动个性化推荐算法优化方案。首先,构建基于智慧网络下的移动推荐系统总体架构模型,阐明移动推荐系统整体架构并描述了推荐系统的具体流程。即使用推荐子系统实现基于移动服务的个性化推荐,通过反馈系统与用户进行实时交互,了解用户的实时偏好和选择结果,最终以迭代的方式优化移动个性化推荐服务。其次,针对多数据源中复杂异构的多维移动数据,结合Web3.0时代发展成熟的语义分析技术和社会化标签技术,将地理位置相关信息、移动上下文情境等重要移动数据转化为单一的兴趣标签数据,与用户偏好和项目特征关联并建立“移动用户-社会化标签-项目”三部图的关系网络。据此建立UPST-TB移动推荐系统模型,以兴趣标签深度挖掘和多种标签加权预处理方法计算其内在的联系的方式,解决移动信息过载问题的同时提高推荐的准确性。再者,针对移动旅游线路推荐的冷启动问题,优化关联规则聚类推荐方法并将其应用于T-ARC移动旅游线路推荐算法。即通过关联规则挖掘技术提取其中的相关关系,避免用户信息缺失等数据稀疏问题;根据多层关联规则概念分层树获取具有代表性的高层关联规则,规避冗余关联规则对数据挖掘的干扰;将其作为初始聚类应用于k-means聚类算法中,以用户聚类的方式进行推荐,解决冷启动问题。实现移动旅游线路推荐服务的同时解决其面临的问题。最后,通过真实数据集与传统推荐方法和改进算法进行对比实验,证明UPST-TB算法和T-ARC算法的有效性。实验结果表明对兴趣标签的深度挖掘有助于推荐准确性的提高、关联规则聚类算法能够很好的适应移动旅游线路推荐领域、且高层关联规则算法优化策略有效。

基于社会化标签的协同过滤个性化推荐策略的研究与实现

这是一篇关于协同过滤,推荐系统,社会化标签,冷启动问题,用户兴趣模型的论文, 主要内容为随着互联网的高速发展与普及,越来越多的内容被用户创造,互联网上的信息呈爆发式增长,人类从信息匮乏时代进入到信息过载时代,如何在信息的海洋中快速地获取有效的信息就成了一个值得研究和解决的问题。这是企业界和学术界一直关注的问题,目前解决这个问题比较成熟的有两种技术,即搜索技术和推荐技术,而后者就是本文的研究重点。个性化推荐技术中比较成熟而且应用最广泛的是基于协同过滤(Collaborative Filtering)思想的推荐技术。协同过滤基于这样一种思想,即兴趣偏好相同或相近的用户对同一类型或相似的资源的偏好程度相同或相近。基于协同过滤思想的推荐技术是对群体智慧的一种技术应用。社会化标签(Social Tagging)是随着以用户创造内容为主的Web 2.0时代被应用广泛的一种资源标记技术。标签系统具有简单易用、灵活丰富等特性,不仅可以准确地描述资源特征,还可以真实地表现出用户的兴趣偏好。本文所做工作：首先,调研分析了个性化推荐技术的研究现状与应用趋势,重点针对两种经典的协同过滤算法,即基于用户的协同过滤算法与基于项目的协同过滤算法,进行了研究与分析并指出了算法存在的冷启动问题、用户兴趣模型单一性问题等一系列问题：其次,基于算法存在的问题结合推荐技术在社会化电商上的实际应用,提出了基于社会化标签的协同过滤推荐算法,该算法通过将社会化标签信息融入到基本的协同过滤算法中,实现对用户兴趣偏好更深入地挖掘,从而根据用户的兴趣点产生个性化项目推荐；再次,基于提出的算法实现了基于社会化标签的个性化推荐系统设计,改善了冷启动问题与兴趣模型单一问题；最后,进行了在现实数据集MovieLens数据集上基于社会化标签的协同过滤推荐算法的实验,对实验结果对比分析的出基于社会化标签的协同过滤推荐算法推荐效果明显优于传统协同过滤推荐算法的实验结论。

基于标签和关联规则算法优化的移动旅游线路推荐模型研究

基于社会化标签的个性化推荐系统研究

这是一篇关于社会化标签,推荐系统,语义分析,协同过滤的论文, 主要内容为随着互联网的发展,标签技术的出现为个性化推荐带来了新的机遇。标签将用户和资源联系起来,描述了资源的特征的同时体现了用户的兴趣偏好,为个性化推荐服务带来了至关重要的数据源。然而,现存的基于标签的个性化推荐系统还存在一些问题,限制了标签在推荐领域的应用。主要包括以下三个问题：(1)标签语义模糊问题,模糊的语义难以准确描述用户兴趣,降低了推荐精度；(2)推荐效率问题,随着用户标注急剧增加,计算规模的增大,推荐效率随之降低；(3)推荐质量问题,忽视了推荐项目本身的质量问题。为了解决上述问题,本文以智能推荐技术为背景,以基于标签的个性化推荐系统为研究对象,以消除标签语义模糊问题,提高标签推荐系统的推荐精度、效率和质量为研究目的,主要完成了以下工作： (1)基于大众标注的语义主题发现分析标注中用户、资源和标签的潜在语义关系,引入PLSA模型并对其进行扩展,通过语义主题发现方法获得用户标注的潜在语义,将用户标注映射到具有明确意义的语义主题上,该方法较好的消除了标签语义模糊问题。 (2)基于语义主题的用户兴趣模型在语义主题发现研究的基础上,利用语义主题所包含的语义信息对用户兴趣特征标签进行组织,构建了三级的基于语义主题的用户多兴趣模型,并提出了更新策略捕捉用户兴趣变化。该模型较好的描述了用户兴趣特征,基于该模型的个性化推荐提高了推荐精度。 (3)基于用户兴趣模型和评分的协同过滤推荐算法研究了基于用户兴趣和评分的协同过滤算法,借助用户多兴趣模型挖掘用户的潜在兴趣点,然后在用户的兴趣范围之内推荐项目,缩小了计算规模,提高了推荐效率；结合项目评分,保证了推荐质量。 (4)设计并开发了基于标签的图书个性化推荐系统,介绍了推荐系统的体系结构和推荐流程,并对其进行了比较完整的设计,实现了系统总体框架中的大部分核心功能,通过实验验证了系统的部分性能与实现效果。