8篇关于二部图的计算机毕业论文

今天分享的是关于二部图的8篇计算机毕业论文范文, 如果你的论文涉及到二部图等主题,本文能够帮助到你

基于图神经网络的推荐算法研究

这是一篇关于推荐算法,评分预测,图自动编码器,二部图,AdamW优化算法的论文, 主要内容为推荐系统成为解决信息过载问题的有效办法,其主要目标是根据用户的偏好信息为用户提供有价值且有指向性的内容。在推荐系统中最重要的是推荐算法,推荐算法决定一个推荐系统的受欢迎程度和价值,传统推荐算法中的协同过滤可以说是最成熟的推荐算法但仍面临数据稀疏问题,基于深度学习的推荐算法虽然可以融合辅助信息解决此问题,但难以直接处理图结构数据。为了解决以上问题,本文研究了基于图神经网络的推荐算法,并对推荐模型进行优化。鉴于图自动编码器能够共享卷积参数,同时具有引入节点特征来存储辅助信息的特色,本文从图自动编码器的方向进行了关于推荐系统中电影评分预测问题的研究,不仅考虑到节点自身特征还考虑到周围邻居特征。对原始数据进行预处理操作,再采用图卷积神经网络对用户-项目二部图进行特征提取,并融合用户和电影的特征信息,同时引入了R-GCN聚合思想,解码器进行重构评分矩阵。评分预测模型对稀疏的评分数据有较好的推荐性能,在分析推荐系统中不同实体及其相互间的关系具有很好的优势。为了进一步提升模型的性能和效果,在该评分预测模型基础上结合损失函数、优化函数和Dropout比例的选择进行模型优化工作,从训练集和测试集的角度分析模型产生的误差。由于Adam优化算法会存在收敛性和泛化能力差等问题,本文选择了具有收敛速度快、泛化能力强、运算速度快且适合稀疏数据等特点的AdamW优化算法以及适用于多分类任务特点的交叉熵损失函数,提出了一种基于AdamW优化算法的图自动编码器评分预测模型。为了确定最佳的优化模型,本文对AdamW优化算法的参数以及Dropout比例进行选择与设置,同时还验证了优化模型的收敛性。本文选取MovieLens数据集作为实验对象,验证了基于图自动编码器的电影评分预测模型的有效性,该模型的RMSE达到0.917,较对比的基准模型产生的误差均有所下降,证明图神经网络推荐算法在一定程度上提高了预测的准确性。将优化模型与其他模型进行实验对比,验证优化模型的误差均小于对比模型,比基于图自动编码器的电影评分预测模型的RMSE降低了0.76%,证实优化模型对稀疏的评分数据有较好的评分预测能力,在一定程度上可以提高模型的性能和稳定性。

基于图神经网络的推荐算法研究

基于二部图的推荐算法研究

这是一篇关于推荐算法,二部图,资源分配,信任网络的论文, 主要内容为随着大数据时代的到来,信息过载问题变得越来越严重,推荐系统是用于解决信息过载的有效途径,它用来给用户推荐可能感兴趣的事务。推荐算法是推荐系统的核心,它用于处理输入信息并将其形成推荐信息。近年来,基于二部图的推荐算法受到了很多研究者的关注,本文通过分析二部图推荐算法的优劣势,对其进行改进,主要工作如下:1.针对传统二部图推荐算法所存在的初始资源设置不合理,以及仅仅依靠项目度和用户度来调整资源分配系数的问题,研究一种基于差异化资源分配的二部图推荐算法。首先利用评分规范化和最大最小值的方法对项目初始资源进行修正,在此基础上引用艾宾浩斯遗忘函数来量化用户“兴趣偏移”所带来的影响。然后分别利用用户评分相似性函数和用户偏好函数对两个阶段的分配系数进行差异化设置,使资源流转变得更加合理。最后在推荐系统经典的Movie Lens数据集和Netflix数据集中进行实验验证,结果表明新提出的算法在提高准确率和召回率的同时也改善了推荐的多样性。2.针对二部图推荐算法所存在的用户冷启动等问题,研究一种基于马尔可夫链信任网络的二部图推荐算法。首先将基于差异化资源分配的二部图推荐算法第一阶段资源分配过程中项目流向用户的资源值作为目标用户对其他用户的隐式信任值,并结合显式信任值得到直接信任值;然后把信任值的传递过程看成是马尔可夫链模型,利用马尔可夫链对直接信任值进行传播聚合,并结合小世界理论和信任熵设置迭代的终止条件;最后利用迭代后得到的全局信任值为目标用户生成推荐。在带有用户间信任关系的Epinions数据集中进行实验验证,结果表明新算法不仅提高了推荐的用户覆盖率,同时推荐的准确率也有了一定的提升。

基于二部图的个性化推荐系统研究

这是一篇关于二部图,个性化推荐系统,随机森林,相似度计算的论文, 主要内容为当今社会,网络化是信息社会最为典型的社会特征,网络社会的信息服务可获得性大大提升,高速、泛在、便宜、好用的信息基础设施全面普及。大量的信息产品与信息服务涌入市场,人们可以最大限度的享受信息服务,人员可以创造、获得、使用和分享信息。在这样的信息社会中,信息无时无刻都在被产生、交换。虽然信息丰富、开阔了人们的视野,但也在一定程度上带来了烦恼。最为突出的问题是:人们无法直接在海量信息中快速获取自己想要的那部分信息,反而使自己有限的精力被大量无关的信息不自觉的消耗了。因此,研究面向用户的个性化推荐尤为重要。基于二部图的个性化推荐方法作为一种准确率高,不受项目类型限制的推荐方法受到广泛关注。本文首先深入研究了传统推荐算法和二部图推荐算法,其次,对经典的MovieLens观影数据集进行了全方位的可视化展示。针对加权二部图算法存在的问题,对二部图结构中的加权二部图资源分配过程中的权重系数和相似度进行了改进。在此基础上,一是融合随机森林算法,提出了一种基于随机森林修正的加权二部图推荐算法。算法经过改进和融合后,提高了推荐的准确度,解决了基于二部图网络结构的算法中仅考虑用户与项目之间关系、忽略兴趣偏好影响的问题,从而增强了推荐的可解释性;二是开发了引入信任网络的二部图推荐算法,利用信任矩阵与相似度矩阵,提高了在数据稀疏的情况下进行推荐的准确率。最后,根据推荐系统的各个评价指标对上述算法分别进行了实验验证,讨论了关键参数的取值范围和最佳取值。最终开发完成了基于二部图的个性化推荐系统。

基于二部图资源分配的推荐系统研究

这是一篇关于推荐系统,协同过滤,二部图,资源的二次分配的论文, 主要内容为互联网的发展与科技的进步给人们生活带来了极大便利,但同时也带来了信息过载的问题。当前解决信息过载的手段主要是个性化推荐系统技术。其中,协同过滤推荐技术自其提出之日起就始终是人们研究的重点。为提高推荐系统的推荐准确性,许多学者通过引入新的影响因素或创新推荐模型来优化推荐系统。近年来,越来越多的学者借助于二部图理论对协同过滤模型进行优化。本文在二部图理论和协同过滤思想之上,进一步加入资源二次分配理论,构建了准确度较高的物品相似矩阵,进一步优化了协同过滤推荐技术。通过Movielens数据集的验证可知,改进后的推荐模型能够明显提高推荐准确率。本文的主要研究成果如下:(1)构建了低维度、高准确性的物品-分类模型。基于奇异值分解理论,将原始评分矩阵转化为物品在各个维度上的评分矩阵,每个维度可被视为物品的一个潜在分类。然后通过控制变量法对物品的潜在分类数进行了优化。通过对优化后的物品-分类矩阵进行分析可知,该分类结果是合理的,可以作为构建物品-分类二部图的基础。(2)构建了准确度较高的物品相似矩阵,优化了协同过滤算法。将所构建的物品-分类矩阵映射为物品-分类二部图,然后将物品对分类的评分转换为二部图中边的权重,从而构建了加权二部图。基于该加权二部图,通过资源二次分配理论构建了物品相似矩阵。将物品相似矩阵与基于物的协同过滤算法相结合,有效的优化了协同过滤算法。

二部图网络中关键对象的社区搜索方法与实现

这是一篇关于社交网络,社区搜索,二部图,属性图的论文, 主要内容为二部图被广泛用于建模两种类型的实体之间的关系,近年来,如何从二部图中高效搜索包含关键对象的高质量社区,即二部图社区搜索,成为了数据挖掘领域的热门研究方向。然而,目前的社区搜索工作主要集中在所有顶点都属于同一类型的同质信息网络,关于二部图的社区搜索的研究很有限。此外,在社区搜索过程中,综合考虑节点的结构内聚性和属性的同质性是提高输出社区质量的关键。而现有二部图社区搜索方法忽略了顶点的重要属性信息,使得输出社区中平均顶点对属性相似度仅为0.17左右,导致其在某些特定的应用场景中无法得到精细目标社区。针对上述问题,本文研究了二部图网络中关键对象的社区搜索方法与实现,主要工作概括如下:(1)基于节点属性的带权二部图社区搜索方法。现有的二部图社区搜索方法专注于高效寻找结构内聚的社区,未考虑顶点的属性。然而,顶点的属性是其重要的语义信息,考虑社区属性内聚性能使得输出社区可解释性更强,社区质量更高。因此针对顶点属性忽略问题,首先对二部图属性内聚社区模型进行了形式化定义,随后提出一个(α,β)-属性加权社区搜索框架。该框架首先采用图精剪方法对不包含查询属性的顶点进行剪枝,有效地缩小了搜索空间。其次采用了两种算法(α,β)-AWC-Strict和(α,β)-AWCLoose提高了输出社区的属性内聚性。(α,β)-AWC-Strict算法优先保证属性内聚性,然后保持结构的内聚性,但它对于合适的输入有较高要求。(α,β)-AWC-Loose算法是一种近似算法,具有更高的稳健性,它迭代地删除属性得分最低的顶点,直到无法保持结构内聚力。实验表明,与传统方法相比,两种算法都能将属性内聚度提高25%以上。与此同时,结构性凝聚力维持在适当的水平。(2)指定对象个性化音乐推荐系统。现有的音乐推荐方法主要是用协同过滤的方法对用户进行个性化推荐,它们忽略了结构内聚性,无法找到指定用户为核心的整个社区,对用户进行批量高质量推荐。因此,针对该问题,本文设计并实现了指定对象个性化音乐推荐系统。该系统除了提供音乐相关的基本功能,还可以分析用户听歌行为数据,得到用户听歌偏好数据,并帮助用户根据自己的品味过滤和发现歌曲、同圈好友,为用户进行同圈好友推荐、偏好音乐播放列表生成与推荐,以有效提升用户的使用体验。

基于二部图网络结构的个性化推荐系统研究

这是一篇关于二部图,可信度评估,评分加权,推荐系统的论文, 主要内容为随着信息技术的快速发展,“互联网+”、大数据时代的到来,信息过载的现象日益明显,何时需要信息并如何收集、合成、分析、评估和预测这些包围在我们身边的资源成为众多学者关心的问题。二部图推荐系统的出现为上述问题的解决搭建了一个很好的平台,并且在很多工程领域得到了应用。推荐系统给用户带来方便的同时,也存在一些问题：用户评分积极性有限,导致评分数据稀疏；另一方面,存在用户对项目进行恶意评分的现象,导致推荐系统可信度下降,对系统的安全性、公正性产生威胁,影响推荐精度。本文在分析国内外研究现状的基础上改进了目前二部图推荐算法中依然存在的一些不足。根据用户评分数据,构建“均分”用户,利用可信度算法计算用户初始可信度,以“均分”用户可信度为基准,利用深度学习算法对其余用户初始可信度进行二次评估,对评估值进行升序排列,去除排名靠前的top-L可疑用户,为目标用户创建可信邻居集,提高推荐准确性。评分数据稀疏时,传统二部图推荐算法计算用户间的相似度以及进行推荐时都存在偏差,并且在评分加权方面划分不够细致。在此,提出了一种以单调饱和函数为权,利用目标用户和经过筛选后的可信用户共同评分个数相对用户总数均值的正切值作为传统相似度系数的推荐算法,同时,对调整系数后的相似度进行降序排列,利用前K个可信最近邻居集对目标用户进行推荐。实验结果表明,改进后的算法提高了推荐的准确性,减小了复杂度。文章最后设计了书籍推荐系统,包括登录模块、可信度评估模块,评分留言模块、推荐模块。在分析用户背景、兴趣等信息的前提下,利用最近邻居或者用户提供的关键词向用户目标用户推荐其可能感兴趣的项目,在推荐前期,利用可信度评估阻隔嫌疑用户,以维护推荐系统的公正性,并提高用户体验度。