给大家分享6篇关于群体推荐的计算机专业论文

今天分享的是关于群体推荐的6篇计算机毕业论文范文, 如果你的论文涉及到群体推荐等主题,本文能够帮助到你

基于在线社区的核心节点挖掘及其群体推荐研究

这是一篇关于在线社区,核心节点识别,群体推荐,社会网络分析法,偏好差异的论文, 主要内容为在互联网技术飞速发展的大环境中,网络信息量与日俱增,面对海量数据中寻找感兴趣的信息变的越来越难。推荐系统伴随信息过载问题的出现而出现,能够为用户推荐可能感兴趣的信息,大大减少用户搜寻信息的成本,同时商家可利用这一工具做到精准营销。随着技术的发展,在线社区和社交网络也逐渐兴起,通过网络,人与人之间的互动更加便捷和频繁,越来越多的活动开始以群体为单位展开,由此而带来了以群体为目标的推荐需求。目前针对个性化的推荐研究已逐渐趋于成熟,然而群体推荐系统不同于个体推荐的简单叠加,群体内存在用户偏好差异等各种问题,群体推荐的仍然需要各方面的深入研究。在线社区拥有其自身独特的特点。在线社区网络在发展中逐渐趋于兴趣社区,用户由于相似的兴趣自主形成小规模群体,群体具有明显边界且往往在群体中存在核心用户,主导群体的偏好。根据目前群体推荐的研究现状,本文针对在线社区的特点,研究在线社区核心节点的识别方法,并在此基础上提出基于核心用户群体偏好的群体偏好模型构建方法,改进群体推荐的算法,来提高群体推荐的准确性。首先,本文利用社会网络分析法针对在线社区进行研究,在点度中心度基础上提出以节点核心度衡量节点的核心程度,以豆瓣网电影小组为研究对象,综合考虑了节点在网络中的中心性、节点的网络覆盖程度以及用户自身的属性、粉丝重要程度等因素。在定性分析基础上,对节点核心度进行定量表示。更符合在线社区的实际应用情况。其次,由于核心群体在群体中的主导地位,及其对群体整体偏好的重要影响,本文在以往研究基础上,根据识别出的核心节点确定群体中的核心群体,采用平均满意聚合策略聚合核心群体用户偏好构建核心群体偏好,代替群体偏好,得到初步的群体用户偏好模型。再次,考虑到实际应用中虽然核心群体偏好影响群体偏好向一致性方向发展,但群体中用户间的偏好差异仍不可避免,为了得到更好的推荐效果,在初步的群体偏好模型中考虑非核心用户和核心群体偏好差异因素,构建最终的群用户偏好模型,并进行群体推荐。最后,利用豆瓣网电影兴趣小组数据进行实验分析,验证本文提出模型的有效性。通过研究显示本文所提出改进方法有效地提高了群体推荐准确度、精确度。

基于在线社区的核心节点挖掘及其群体推荐研究

基于深度学习的在线社交网络影响力及其在群体推荐的应用研究

这是一篇关于在线社交网络影响力预测,群体推荐,网络表示学习,自监督学习的论文, 主要内容为随着在线社交网络的迅速发展,如何在海量交互信息和大规模社交网络中挖掘用户的社交影响力,推动广告投放、推荐系统等下游应用研究吸引了学术界和工业界的广泛关注。本文聚焦于两点:(1)个体层面的在线社交网络影响力预测;(2)融合影响力的群体推荐任务。本文从个体和群体两个粒度综合分析影响力,并指出在个体层面对影响力的精确刻画,有助于建模群体决策时用户间的影响,从而向群体推荐大多数成员满意的项目(食物、电影或景点等)。影响力预测任务致力于预测用户是否可能被社交网络上好友影响而交互(转发或点赞等)。目前方法大多集中在宏观信息级联规模预测,而在微观个体层面未充分考虑用户间亲疏关系/节点间连接强度。群体推荐旨在建模群体内成员如何达成决定,推荐能满足大多数成员预期的项目。现有工作更多聚焦于群体内用户间的影响,而忽视用户在跨群体间影响力不同。针对这些不足,本文旨在对现有方法改进以提升影响力预测和群体推荐的性能。论文的主要研究工作与成果如下:首先,本文提出一种融合连接强度于影响力预测的方法。(1)根据关注时长或互动次数,构建一种连接强度矩阵。(2)设计一种融合连接强度的影响力预测图神经网络模型:使用网络表示学习法Deep Walk提取节点网络结构特征表示,使用连接强度矩阵显式度量节点间连接强度,接着分别在图卷积神经网络中设计聚合机制、在图注意力神经网络设计注意力机制来融入连接强度,建模节点间影响力,最后拼接全连接层预测用户是否可能被影响而交互。(3)本文在两个社交网络数据集上进行综合性实验,结果表明本文所提出方法的优越性,连接强度特征对于模型性能提升的贡献。其次,本文提出一种融合影响力于群体推荐的方法。(1)设计一种对比学习方法,灵感来自于用户和其所在的群体可构成正样例,与其所不在的群体构成负样例。(2)设计一种融合影响力的群体推荐多任务学习模型:在群体推荐主任务下使用注意力机制模拟决策时用户间的互相协商、感知捕捉群体内用户可变影响力,利用对比学习任务来感知建模用户在不同群体影响力不同现象,通过用户推荐任务来缓解群体和项目交互数据稀疏带来的冷启动问题。(3)本文在三个公开数据集上设计实验,结果表明用户推荐任务、对比学习和注意力机制有助于模型性能提升。

在线协作学习资源推荐系统的设计、开发与应用研究

这是一篇关于在线协作学习,资源推荐系统,群体推荐,社会影响理论的论文, 主要内容为面对信息过载的挑战,资源推荐系统被广泛应用于在线协作学习中。本研究引入社会影响理论,设计面向在线协作学习的资源推荐研究策略,在Blackboard平台开发了基于该策略的在线协作学习资源推荐系统,并验证其有效性。本研究依托浙江大学“学在浙里”课程平台,采用准实验研究方法,选取《现代教育技术》课程中《多媒体课件制作》单元为教学内容,设计协作学习任务,采用不等组前后测控制组设计,探索了实验干预对学习者表现和态度的影响。研究发现,资源推荐系统对学习者的在线协作学习成效、协作学习行为、资源查找行为以及学习者态度均产生了积极的影响。首先,在协作学习成效方面,学习者使用推荐系统后,学习任务得分和小组协作度均显著提升。其次,在协作学习行为方面,学习者使用推荐系统后,使用课程平台小组模块的时间明显提升,学习者在小组活动区参与讨论的积极性也随之增加。再次,在资源查找行为方面,学习者在使用推荐系统后,减少了花费在查找资源上的时间。由于系统推荐的资源能够满足学习者的信息检索需求,学习者更加愿意使用该系统进行资源查找,并认为该系统推荐的资源可信度较高。最后,在学习者态度方面,学习者在使用资源推荐系统后,也表现出较高的技术接受度、学习满意度和持续使用意愿。本研究通过在面向小组的群体推荐中引入小组成员的个性化因素、专业性因素、社会关系因素和用户亲密度因素,提出了一种在线协作学习资源推荐算法,设计并应用了基于该算法的推荐系统,为后续开展在线协作学习资源推荐研究提供了启示与建议。

基于成员关系的学习资源群体推荐系统研究与实现

这是一篇关于在线学习,群体推荐,成员关系,群体影响力的论文, 主要内容为在线学习系统打破了时间和空间的限制,弥补了传统学习方式的不足,极大的促进了学习者的学习,但是由于教育资源数量的激增,导致学习者很难在短时间内获取到自己感兴趣的资源。为了解决这个问题,研究者将个性化推荐技术应用到在线学习系统中,大大提高了学习者在线学习的效率。实际上,许多学习活动的参与者并不是单个的学习者,而是以学习者群体的形式去进行,在这种情况下,为了提高学习者群体的学习效率,满足向学习者群体推荐学习资源的需求,搭建一个智能的学习资源群体推荐系统具有重要的价值和意义。针对上述实际需求,为了更好的为学习者群体推荐学习资源,本文通过分析群体推荐算法的国内外现状,总结了其中的不足。在现实中,学习者群体进行学习活动时,学习者成员之间肯定会产生相互的影响,这种影响在一定程度上可以改变学习者的原始偏好,所以学习者成员之间相互的影响不可忽略。基于此,本文设计并实现了基于成员关系的学习资源群体推荐系统,本系统主要包括三大功能模块,分别是学习者模块、教师模块和管理者模块。学习者模块中的推荐功能是本系统的核心功能,为学习者群体进行推荐时,充分考虑学习者成员之间相互的影响,提出了基于学习者成员关系的群体推荐算法。首先将学习者划分成不同的学习者群体,根据群体内学习者之间的关系计算学习者的影响力,按照影响力确定学习者群体中的领导者和非领导者,并初步赋予他们不同的影响力权重,同时结合学习者成员的个性度,更新群体内学习者成员受其他成员影响后的偏好,然后利用混合偏好融合策略将学习者个人偏好转化为学习者群体的偏好,最后向整个学习者群体进行资源的推荐。此外,设计相关的实验验证该算法的推荐效果,提升学习者群体的学习效率和满意度。本系统使用B/S架构方式,分别采用Vue和Springboot框架实现系统的前后端,Mybatis作为系统数据库的持久层,整体结构清晰合理。根据各个模块的需求和详细设计,实现了各个模块的功能,并对系统进行测试和完善,保证本系统能够达到预期的设计目标,从而满足学习者群体的需求。