给大家推荐8篇关于用户反馈的计算机专业论文

今天分享的是关于用户反馈的8篇计算机毕业论文范文, 如果你的论文涉及到用户反馈等主题,本文能够帮助到你

APP用户反馈信息分析系统的设计与实现

这是一篇关于在线教育,用户反馈,主题模型,聚类算法的论文, 主要内容为随着互联网+教育的不断发展,K12(学前教育至高中教育)在线教育市场规模和用户群体量越来越大,各类APP产品的竞争也愈演愈烈,因此,能够更准确把握用户需求的产品便能够在激烈的市场竞争下拔得头筹。用户反馈信息作为发现用户需求的重要来源之一,有举足轻重的影响及意义。本文设计并实现了一个APP用户反馈信息分析系统,旨在以更简便、高效的方式分析用户反馈信息,发现需求痛点,帮助APP产品的优化与迭代。本系统采用了SSM框架,运用优先排序算法实现查询排序相关功能,运用主题模型和聚类算法实现对反馈文本的处理和分析,达到挖掘反馈信息价值的目的。作者独立设计并实现了以下三个模块:(1)反馈信息管理模块:该模块涉及系统用户对反馈信息的基础操作,包括筛选查询指定条件下的反馈信息、查看反馈信息详情、处理反馈信息,其中,处理反馈信息功能包括星标操作、反馈回复、反馈流转三个小功能。(2)统计分析模块:该模块用于展示反馈信息的统计类结果,包括条件限定下的反馈数量趋势分析和多维度条件下的反馈分析。(3)热点反馈信息展示模块:该模块通过运用一种改进后的文本主题挖掘算法分析反馈信息,并将反馈信息的热点主题词和相关反馈展示出来。本文从需求分析、概要设计、详细设计、系统测试几方面设计并实现系统。目前,本系统已上线,虽然系统仍存在很多不足之处,但目前使用效果良好,得到了很多好评和鼓励。

融合信任用户反馈信息的推荐算法研究

这是一篇关于社交推荐,用户反馈,用户好恶信息,社交信任,隐式偏好的论文, 主要内容为随着移动互联网技术的发展和社交网络的兴起,网络已经成为人们获取和发布信息的主要方式,爆炸式增长的信息在给人们生活带来便利的同时,过载的信息也开始困扰人们的生活。为此,融合社交信息的个性化推荐不仅成为机器学习和数据挖掘领域的一个研究热点,也成为互联网和社交网站平台广为使用的一种智能化服务工具。现有的融合社交信息的个性化推荐方法主要以基于矩阵分解的协同过滤推荐为原型,将反映用户偏好的社交信息融入评分矩阵进行预测,很好地改善了推荐系统的精度。然而,现有的这些推荐方法过分依赖于用户评分之类的显式反馈,忽略了那些稀少但是直接反映用户好恶的反馈信息。为此,本文将以现有的融合社交信息的概率矩阵分解模型为基础,设计新的目标函数和推荐算法,以利用这些反映用户好恶的反馈信息来减少用户不喜欢项目在推荐列表中出现的概率。本文工作具体描述如下:(1)提出了融合用户反馈信息的推荐算法。该方法以基于概率矩阵分解的推荐作为基本模型,将这些稀疏却能精确反映用户好恶的反馈信息引入用户评分预测函数,并通过社交网络信任度计算来改善隐式反馈信息的数据稀疏性,在不降低算法整体性能的前提下优化了推荐列表,实现了让用户反感或不喜欢内容的有效过滤。真实数据集上的实验结果验证了本算法的有效性。(2)提出了基于可信用户的推荐算法。虽然用户的好恶信息能大幅降低用户反感内容在推荐列表中出现的概率,但是绝大多数用户并没有这样直接的反映自身好恶的反馈信息。为此,本文将借助于信任计算,依据用户之间通过关注、转发等形式产生关联,将少数用户的好恶信息传播给这些关联用户,以充分利用这些稀少但有效的反馈信息来降低关联用户推荐内容中反感结果出现的概率。真实数据集上的实验结果验证了本算法的有效性。(3)基于上述算法,本文设计并实现了一个融合信任用户反馈的推荐算法应用系统。本系统在对用户评分和反馈进行处理的基础上,利用本文提出的推荐算法,有效实现了用户喜好电影列表的推荐,尤其是当用户输入了“不感兴趣”之类的反馈时,与之相关的内容会有效过滤。

手机地图用户反馈管理平台设计与实现

这是一篇关于手机地图,用户反馈,自动分类,数据预处理,统计分析的论文, 主要内容为随着当今社会的飞速发展,手机地图产品功能的日趋丰富,导致客户群数量日趋庞大,服务器终端每天都会接受大量用户的反馈。这些信息对于改善和优化地图产品的体验、纠正以及解决产品中可能出现的一些问题,具有非常重要的意义。而如何用最小的人力并且在较短的时间去进行分析和处理用户反馈就显得至关重要。本文详细地论述了手机地图用户反馈管理平台的设计和实现过程,从对用户反馈的添加,再对用户反馈进行自动化的分类,最后由产品负责人对用户反馈进行处理,跟进。由此形成了一套独立的用户反馈处理的闭环流程。本文根据不同的角色以及不同需求,把平台划分为用户反馈的数据预处理,用户反馈的自动分类,用户反馈的数据展示,用户反馈的数据统计,用户反馈的数据处理五个部分。用户反馈数据预处理模块的主要功能是:自动分词,去除空白词等;用户反馈的数据自动分类模块的主要功能是:根据用户反馈的关键字匹配自动分类到相应的二级标签中;用户反馈数据展示模块主要功能是:对所有用户反馈的展示以及对需求库展示。用户反馈数据统计主要功能是:对于所有用户反馈数据按照日,周,月三个维度进行统计。用户反馈数据的处理功能主要是对于用户反馈进行评论,状态修改,标签修改以及转需求等操作。该平台可以让用户更方便快捷的反馈信息,可以自动把用户反馈分类到对应的产品负责人。这样可以使产品负责人第一时间接受到用户反馈并且处理。系统管理员可以通过角色管理和标签管理,对产品负责人进行分配标签等操作。该平台采用的主要是面向对象的系统软件开发设计技术,主要研究内容包括四个主要步骤,分别是系统需求分析,系统设计,系统实现和系统测试。还使用了文本分类技术并且搭配灵敏,快速,强大的My SQL作为系统后台数据库,用Spring Boot框架实现了系统的敏捷开发。

基于Lucene的商品垂直搜索引擎研究与实现

这是一篇关于关联规则,自动构词,全文检索,用户反馈,智能排序的论文, 主要内容为随着网络信息资源的急剧增长，人们越来越多地关注如何快速有效地从海量的网络信息中，抽取出潜在的、有价值的信息，使之有效地在管理和决策中发挥作用。垂直搜索引擎具有专、精、深的特点,可通过面向某一特定的领域、人群或需求仅搜索网络中的特定主题信息,并且聚合信息、处理索引,提供有价值的相关服务和信息,从而提高用户检索时的准确率。现在网络上进行商品交易的活动越来越多，在这里将针对这种应用来设计商品搜索引擎，以方便用户能够在短时间内找到自己需要的商品，并及时购买，那么这就涉及到了商品垂直搜索引擎的实现。本文提出了电子商务系统中的一个商品垂直搜索引擎。首先用python写爬虫从现有的B2C网站京东、天猫上抓取商品数据，也可以自己手动地添加商品数据到数据库，这里专门开发了后台数据添加模块。接着探讨了基于MD5数字签名的数据消重算法，经过试验在查准率、查全率和响应时间上都满足实际需求。然后借鉴关联规则理论对中文词语进行定义，在此基础上构建Autoword自动构词算法，该算法可以从大量中文语料库中动态地构造词表，并以此为基础进行中文文本挖掘工作。针对电子商务系统中商品结构化信息的特点，结合现有的TF-IDF算法提出了一种改进的排序算法，并在该系统中应用了全文检索和数据库查询两种技术。全文检索技术和数据库的结合既支持了相关度排序,提高了检索速度,又能灵活查询和使用商品的结构化信息和实时信息，并通过结果展示以及与其他电子商务网站的横向比较验证了该算法的优越性。现有的搜索引擎大都采用了输入—输出的响应模式，该模式没有考虑用户反馈，本文提出了基于用户交互的自适应算法,探讨了智能排序，从而利用用户数据对排序结果作优化。最后，本文完成了系统的总体框架搭建及实现。本人在学位论文中所做的主要工作如下： 1、爬虫与数据消重模块设计与实现在本系统中的数据源为两部分，一部分是用python脚本写的爬虫程序从起始URL开始，以广度优先算法从现有的B2C网站京东、天猫上爬取到的数据，还有就是自己手动添加到数据库里的数据，这里专门开发了后台数据添加模块。优秀的垂直搜索引擎需要一个高质量的数据来源，高质量的搜索结果必然依赖于高质量的数据，为了避免得到重复、相似或者信息不完整的搜索结果，数据的正确性是至关重要的。本文设计了基于MD5数字签名的数据消重算法，经过实验在查准率、查全率和响应时间上都满足实际需求。 2、基于关联规则的自动构词算法研究词语是中文文本的基本元素，汉语语言模型在中文文本挖掘中起关键作用。中文文本挖掘是个高维度的数据处理技术，挖掘算法对维度的大小比较敏感，挖掘效果依赖于词库的质量。另外，现存的汉语语言模型一般都是基于统计的，比如N-gram语言模型以及各种改进模型，都具有较高的计算复杂度。为降低语言模型的计算复杂度、提高词库的质量和构词效率，本文借鉴关联规则理论对中文词语进行定义，在此基础上构建Autoword自动构词算法，该算法可以从大量中文语料库中动态地构造词表，并以此为基础进行中文文本挖掘工作。最后通过实验证明本文提出的自动构词算法的有效性。 3、排序优化算法的改进和研究针对电子商务系统中商品结构化信息的特点，结合现有的TF-IDF算法提出了一种改进的排序算法，并在该系统中应用了全文检索和数据库查询两种技术。全文检索技术和数据库的结合既支持了相关度排序,提高了检索速度,又能灵活查询和使用商品的结构化信息和实时信息，并通过结果展示以及与其他电子商务网站的横向比较验证了该算法的优越性。现有搜索引擎大都采用了输入—输出的响应模式，该模式没有考虑用户反馈。本文还提出了基于用户交互的自适应算法,探讨了智能排序，从而利用用户数据对排序结果作优化。 4、总体框架搭建及实现分析和掌握了Lucene主要架构和各个部件,搭建了完整的开发环境，详细地研究其中的索引模块和检索模块实现机制和原理,通过对搜索引擎以及结合Lucene自身的特定制定本次设计需要实现的功能，开发了一个基于Lucene的商品垂直搜索引擎。它具有一下特点：（1）能够接受python爬虫爬取的数据，也有自己的后台数据手动添加模块；（2）支持分词查询；（3）运用Lucene工具包编程实现了网页内容索引；（4）运用Ajax技术实现搜索服务的网页交互,生成动态网页,返回用户搜索结果；（5）运用Spring框架实现系统的后台管理，运用JSP技术实现系统的前台开发；（6）支持全文搜索；（7）能够高亮显示搜索关键字；（8）显示查询所用的时间；（9）显示搜索历史、过滤关键字；（10）能够清除查询历史。其中分词、全文搜索和排序都可以结合Lucene提供的类库以及本文研究的相关算法实现,而关键字高亮度显示只需要借助Highlighter的帮助,通过数据库持久化保存数据。

基于滑标评分的推荐系统模型及算法研究

这是一篇关于推荐系统,数据挖掘,标签,滑标评分,用户反馈的论文, 主要内容为随着互联网的蓬勃发展，海量的信息得以迅速传播，繁杂的物品涌现到人们面前。为不知所措的人们从这些信息和物品中选择那些最适合他们的成了当前的迫切需求。于是，推荐系统应运而生。推荐系统根据用户行为习惯、信息内容类型以及物品属性特征来向用户推荐信息和物品。例如，新闻网站使用推荐系统根据用户的阅读习惯进行新闻推荐；电子商务网站使用推荐系统根据用户的消费偏好进行产品推荐；音乐、视频网站使用推荐系统根据用户的兴趣喜好进行音乐、视频推荐；社交网站使用推荐系统根据用户的社交关系进行好友推荐。可以看出，推荐系统已经越来越多地被应用到实际生活中，它们在提高用户的满意度的同时也带来了巨大的商业利益。然而，当前的推荐算法由于原始数据的不完整性、算法本身处理数据的特殊性以及用户行为变化的多样性，会产生诸如冷启动、可解释性差和复杂兴趣推荐困难等问题。当前已经有很多收集信息的方法被用来缓解冷启动问题，比如收集用户注册信息、收集用户反馈信息、导入用户社交信息等，但这些工作或者涉及隐私或者很难有恰当的方式，导致数据有时候并不是十分准确，也就不能很好地上解决冷启动的问题。另外也有其他的一些方法，比如基于标签的推荐方法被提出，用于改善可解释性，但是该方法由于人们使用标签的习惯不同以及标签提供的数据并不充足使得推荐效果有时候并不尽如人意。据笔者所知，当前还未有很好的方法用来解决复杂兴趣推荐问题。针对当前方法和模型的不足，本文提出一种基于滑标评分的推荐系统模型，旨在使用一种较为简洁的方式——滑标评分，来获取用户最准确的评价和需求，通过改进当前的一些推荐算法来处理滑标评分数据，从而生成对用户的推荐，最后以滑标评分的形式向用户展示推荐结果并做出合理的解释。另外，本文模型允许用户对推荐系统所推荐的物品以滑标评分的形式进行反馈，然后推荐系统可以通过在线反馈计算，再次进行更准确的推荐。扩展实验中,针对当前推荐系统的缺陷，我们使用本文模型和算法进行了对比试验，证明了本文技术的有效性和可行性。