6篇关于兴趣漂移的计算机毕业论文

今天分享的是关于兴趣漂移的6篇计算机毕业论文范文, 如果你的论文涉及到兴趣漂移等主题,本文能够帮助到你

基于数据注册中心的电影信息混合推荐算法研究

这是一篇关于DRC,元数据注册规范,混合推荐,推荐准确率,兴趣漂移的论文, 主要内容为网上看电影已经成为当今主流娱乐方式之一,但是纷繁多样的电影使人眼花缭乱,消费者如何在海量的电影中挑选自己感兴趣的电影。目前的解决方式主要有两种:一种主动方式,即用户自己检索想看的电影,这种方式的结果质量好坏在于用户提供的描述信息的准确性。另一种被动方式,用户不用提供准确的需求,而是由系统根据用户的历史行为和兴趣偏好等数据,通过相应的算法建立用户的兴趣画像,据此为用户推荐感兴趣的电影,此过程便是个性推荐(Personalized Recommendation)。推荐算法不仅能为用户解决选择上的困难,而且也能为系统扩大收益,提升用户粘度。但是传统的推荐算法存在各种问题,如冷启动,用户兴趣漂移、多样性不足、推荐准确率低、数据稀疏、不能很好的挖掘用户的潜在兴趣等。对于推荐算法中存在的问题,本文考虑从DOA(Data-Oriented Architecture,面向数据的架构)出发,研究混合推荐算法来解决其中部分问题。DOA采用“面向数据和以数据为核心”的思想,通过DRC(Data Register Center,数据注册中心)管理真实数据并对外提供服务,所有信息在进入系统前需要注册元数据信息,大量的元数据信息对于系统做推荐具有极大的帮助,而数据的多样性还能协助系统挖掘用户的潜在兴趣。针对电影推荐以及推荐算法存在的问题,本文主要做了以下工作:(1)从DOA面向数据的体系结构出发,结合本论文的研究内容,研究DRC数据注册中心的元数据信息注册规范。(2)在元数据注册规范的基础上研究推荐算法,分析对比推荐算法,提出新的电影混合推荐算法,并探讨用户兴趣漂移时系统的应对策略。(3)对电影推荐系统做需求分析,系统的整体架构设计和各个功能模块的设计与实现,将提出的新的混合推荐算法运用到系统中。(4)对电影推荐系统进行测试,基本功能测试,线上推荐的生成,仿真实验,验证推荐效果。本文的研究成果和创新点如下:(1)提出了一种针对电影信息的数据注册规范,研究DRC数据注册中心并分析电影推荐系统的需求和特征,设计了基于电影信息的数据注册规范。(2)设计了一种基于热度、标签的电影信息混合推荐算法,该混合推荐算法在传统推荐算法中加入电影热度与标签元素,经过仿真实验对比,此混合推荐算法相较于传统推荐算法具有更高的推荐准确率,并且基于热度的推荐使得推荐结果具备多样性,能够更好的挖掘用户的潜在兴趣。同时改进相似度计算法则,提出一种加权相似度计算法则,使用户兴趣漂移后依然能获得较高质量的电影推荐。

基于兴趣漂移的用户动态推荐模型研究

这是一篇关于兴趣漂移,动态推荐,长短期兴趣,矩阵分解,隐式反馈的论文, 主要内容为“信息迷航”和“信息过载”问题由来已久,推荐系统能够帮助用户在海量的产品空间中进行筛选。但是传统的推荐算法以静态算法为主,其基本假设是用户兴趣是静止不变的。这种假设与事实不符,导致面对现实数据时,传统算法存在推荐准确性差、算法可解释性差等诸多问题。事实上用户兴趣不仅不断变化,而且具有一定的规律。在目前用户兴趣建模的研究成果梳理中发现,考虑用户兴趣动态变化的研究往往将用户兴趣衰减同等对待,较少为用户兴趣类型进行区分,即使有部分研究考虑到长短期兴趣问题,也仅从时间因子识别方面加以分析,没有从用户对项目属性关注的数量、用户活跃度、项目流行度等考虑,使长短期兴趣信息表述不够完整,用户兴趣刻画不够全面。另外,推荐领域的绝大多数文献都侧重于处理显式数据,然而在许多实际情况下,特别是在电子商务领域需要处理隐式反馈数据。本文基于隐性反馈数据提出了融合长短期兴趣和矩阵分解协同过滤的混合推荐模型LSIMF(Long-term and Short-term Interest and Matrix Factorization for Collaborative Filtering),主要贡献有:(1)本文构建的混合模型对数据稀疏、用户兴趣刻画不细致以及传统应对兴趣漂移的算法过于注重时间因素而忽略主动探索用户的新兴趣等问题提出了解决方案。通过将用户—项目偏好矩阵换为用户—属性偏好矩阵,降低了矩阵稀疏性。通过用户偏好建模以及用户兴趣模式的细分,得到用户偏好文档和用户兴趣分布。通过融合矩阵分解的协同过滤,主动探索了用户的新兴趣。(2)实验结果表明,与遗忘曲线、时间窗口和基于矩阵分解的协同过滤算法对比,本文提出的混合推荐模型LSIMF在精准率、召回率、F1-Score评价指标上有较明显的提高。(3)本文计算用户兴趣偏好时,优化了推荐中随时间变化的兴趣漂移问题,提取了用户长短期兴趣集合、用户活跃度、项目流行度等相关指标,可为用户自动打标签,为后续研究用户兴趣的动态演化过程或者网站功能扩展提供更多选择。

基于用户兴趣漂移和语义特征的新闻推荐系统设计与实现

这是一篇关于兴趣漂移,隐因子,时效性,相关性,推荐系统的论文, 主要内容为随着互联网技术的迅速普及与发展,网络资源呈现喷发式的速度涌入其中。互联网的发达使得人们更容易获取自己感兴趣的资源,但在享受海量的互联网信息时,也遇到了信息过载的问题。新闻推荐系统作为解决信息过载问题的有效手段,能够帮助从海量新闻数据中选择用户可能感兴趣的新闻。本文针对新闻领域的推荐方法进行了相关研究,主要包括以下几个部分:(1)本文提出一种基于用户动态兴趣感知的新闻推荐算法,本文算法从用户浏览新闻的时间序列和浏览内容这两个部分计算时间因素对用户偏好的影响权重。通过在真实数据集上的实验分析,证明了该算法与一些基线新闻推荐算法相比具有更佳的性能。(2)本文提出一种融合多种数据信息的新闻推荐算法,本文算法从时间上下文和新闻特征两方面考虑对于用户偏好的影响。本文提出的算法不仅能够有效建模隐因子模型并且具有良好的可扩展性。在真实数据集上的实验表明本算法相对于其它推荐算法能够提高推荐准确性。(3)本文提出一种融合时效性和相关性的新闻推荐算法,本文算法首先挖掘新闻的特征向量,然后根据历史阅读行为进行建模,最后对新闻未来影响力进行预测,并在此基础上进行非个性化推荐。(4)基于以上提出的算法设计并实现了基于用户兴趣漂移和语义特征的新闻推荐系统,对用户兴趣进行有效捕捉并针对用户的冷启动问题进行改进,有效提高用户使用体验和推荐准确性。

基于用户行为的APP推荐系统的设计与实现

这是一篇关于推荐系统,数据稀疏,协同过滤,兴趣漂移,用户行为的论文, 主要内容为随着移动计算飞速发展,为了方便用户使用智能移动设备和访问移动网络中的信息服务,app的数量急剧增长,如此海量的应用导致用户无法从这些海量应用中快速地选择出满足自己需求和符合自己潜在兴趣的app。为了解决这一难题,各个应用市场将个性化推荐系统应用于自己的应用商场,主动为用户推荐符合用户的潜在兴趣的app,因此,app推荐系统已经成为当前研究普遍关注的热点问题。协同过滤是app推荐系统的主要推荐算法,但传统的协同过滤算法存在评分数据稀疏问题,针对该问题,本课题设计并实现了一种基于用户行为的app推荐系统,其主要工作如下:(1)研究了基于评分的协同过滤算法,主要包括基于内存的协同过滤和基于模型的协同过滤算法。实现了基于用户的协同过滤、基于项目的协同过滤、基于正则化的奇异值分解的协同过滤。并结合实验数据,从准确率、召回率、F1值、SSD这四个评价指标对这三种算法进行评估。(2)针对评分数据稀疏问题,本文对以上基于评分的协同过滤进行改进。提出了一种基于用户行为序列的协同过滤,将更为丰富的行为日志数据作为协同过过滤算法的输入数据。通过数据预处理构造用户行为序列,并提出了基于行为序列的相似度计算方法。结合实验数据将该改进算法与基于评分的三种协同过滤算法在准确率、召回率、F1值、SSD这四个评价指标上进行比较。(3)针对用户的兴趣会随着时间的推荐而发生变化等问题,本课题对基于用户行为序列的协同过滤进行进一步改进,提出一种基于用户行为序列和时间衰减的协同过滤。考虑不同时间的数据对用户的影响不同,提出一种各个行为序列基于时间的权重的计算方法,并将该算法与基于用户行为序列的协同过滤在准确率、召回率、F1值、SSD这四个评价指标上进行对比。(4)设计并实现了一种基于用户行为的app推荐系统,该系统包含数据采集模块、数据预处理模块、app推荐模块。其中,在数据采集过程中,涉及到移动端的数据爬取,而在app推荐模块使用了基于用户行为和时间衰减的协同过滤算法为用户推荐app。通过初步使用本系统,将时间跨度为2017-08-08至2018-01-09的用户行为数据和app文本数据作为系统输入数据,选择其中的1000个用户以及与这些用户有交互的5281个app(这些用户的评分数据稀疏,而行为日志数据较丰富),为这1000个用户推荐app,推荐的结果满足了针对于评分数据稀疏的用户的个性化的推荐效果。

基于消费者点击行为的会话型推荐系统研究

这是一篇关于点击流,兴趣漂移,会话型推荐系统,循环记忆神经网络,指标体系的论文, 主要内容为在线购物是众多消费者网络行为的出发点与归宿,而了解用户的兴趣是电子商务网站实现个性化的基础。实时了解消费者兴趣的变化,有利于提高个性化的推荐的准确性,避免重复推荐并以此改善消费者的购买体验。因此,电子商务网站的个性化服务的优劣,取决于商家对消费者行为数据研究程度的深浅以及推荐系统自适应能力的高低。当前关注消费者兴趣变化的推荐系统为会话型推荐系统,该推荐系统将消费者的兴趣划分为长期兴趣与短期兴趣,综合考虑这两种兴趣的依赖关系并以此预测消费者的购买行为,有效地解决传统推荐系统中仅关注长期兴趣的弊端。本文将电子商务网站中消费者的点击流数据的相关研究引入到会话型推荐系统的研究中,依据点击流中的会话划分方法对消费者的访问行为进行划分,并对消费者浏览访问行为所反映的兴趣变化过程进行分析与挖掘,探究消费者长期兴趣与短期兴趣之间的依赖关系,探索消费者下一步或者下一会话将点击的商品,并最终推测消费者实时的购买意图并进行推荐。针对该目的,本文主要做了以下几方面工作:第一,以点击流数据为基础,建立了一个包含3个一级指标和8个二级指标的点击流评价体系,并以此对消费者针对每一个商品的兴趣度进行量化。其中,消费者浏览行为的复杂度使用消费者的访问频率进行测量;消费者浏览行为的深度使用访问时长进行测量;消费者浏览的广度使用消费者访问商品品牌的频率与时长进行测量。最后,利用VIF多重共线性方法检测该指标体系的可行性;第二,根据消费者点击流数据的指标体系构建了三种兴趣度度量方式以优化现有的会话型推荐系统,更好地识别消费者实时兴趣,推测消费者的下一步或下一会话的点击行为,动态购买意图并以此进行推荐。最后,本文以精确率、平均倒数排名以及召回率检测模型的优化程度,证明丰富现有会话型推荐系统的数据嵌入向量的重要性;第三,针对累计兴趣度计量方法在基于深度学习的会话推荐系统中表现最差的问题,本文五章进行补充研究,探索累计兴趣度在基于深度学习的会话型推荐系统中召回率最低的原因,并提出可能的结果与研究启示。