8个研究背景和意义示例,教你写计算机精准推荐论文

今天分享的是关于精准推荐的8篇计算机毕业论文范文, 如果你的论文涉及到精准推荐等主题,本文能够帮助到你

直播系统中广告投放平台的设计与实现

这是一篇关于广告投放平台,精准推荐,关键词匹配,数据收集,微服务架构的论文, 主要内容为随着直播行业快速发展,直播市场从之前对增量市场的争夺到现在对存量市场潜力的挖掘。当前国内观看直播的人数已经超过5亿,直播行业存在着巨大的互联网流量,与此同时直播的盈利却按照主播打赏,以及部分主播私下在直播中打广告,与广告商分成的方式来进行。在国家相关部门对直播行业监管越来越严格的情况下,旧的盈利方式已经不能支持直播行业相关公司的健康可持续发展。基于上述情况的考虑,开发一套直播系统中的广告投放平台势在必行,利用直播的巨大流量,充分挖掘观看人群的潜力,在直播中投放广告创造新的盈利点。广告投放平台不仅可以控制投放广告的内容以及相关产品的质量,而且充分将直播流量转化成经济效益。本文通过对目前市场中有一定影响力的广告投放平台进行广泛的调研和分析,以现有的直播系统作为广告投放的窗口,采用软件工程的设计思想,沿用高内聚、低耦合的设计原则,以目前主流的微服务和前后端分离的架构,设计实现了一套完整的直播系统中的广告投放平台。基于广告控制台,系统前端采用element+Vue.js的开发框架,后端采用Java的微服务架构框架Spring Cloud,ORM框架采用Mybatis,数据库则使用Mysql和Redis,共同组成了一个完整的广告投放系统。本文将通过五个模块对系统进行详细描述,分别是用户管理模块、统计计费模块、广告管理模块、精准推荐模块以及日志收集模块。用户管理模块包括用户的账户管理,实名认证和用户信息管理。广告管理模块包括用户对广告投放的期望计划以及广告详细信息的填写,广告上传后的审核。统计计费模块涉及广告投放的数据统计,包括观看端用户的构成数据、广告投放的质量数据和广告的点击、观看等指标数据。还包括平台的收费明细。精准推荐模块是该系统的核心模块,本文所设计的平台为了最大化利用直播系统中的流量,将对每个观看用户进行个性化推荐。所以本模块采用了协同过滤算法实现广告的精准推荐,由于协同过滤算法存在一定缺陷,又将关键词匹配作为精准推荐的补充手段,利用上述算法建立广告与用户的映射关系。但是上述精准推荐需要大量的用户数据以及直播内容数据,为了解决这个难点,本文设计了日志收集模块,该日志模块基于Filebeat、Logstash、Elasticsearch实现,它能高效且稳定的收集相关数据,为精准推荐算法提供数据支持。通过对系统功能的详细测试以及非功能测试,该系统功能完整,对用户友好。响应时间,并发性,安全性,兼容性和吞吐量都达到了系统的预期。目前已经接入相关直播系统中稳定运行。

基于用户时序行为的在线教育推荐模型研究与应用

这是一篇关于在线教育,时序建模,冷启动,相似度,精准推荐的论文, 主要内容为2020年爆发的新型冠状病毒肺炎疫情对我国经济、社会与教育发展都产生了重大影响。疫情初期,国家教育部就提出“停课不停学”的要求,大规模开通“国家网络云课堂”平台和MOOCS平台,并着力开展各类线上教育课程,进一步促进了在线教育获得迅猛发展。在线课程的种类和数目呈现爆发式增长,同时也衍生了各种问题:如何满足用户日益增长的学习需求、如何便利用户准确找到适合的个性化课程、又如何能够挖掘用户学习兴趣所在的领域、让推荐算法赋能在线教育?这些都成为了炙手可热的问题。因此,精确分析把握用户需求,完善开放共享灵活的教育模式,就成为了在线教育的难点堵点问题。其中根据用户需求偏好,精准提供个性化推荐服务就显得尤为迫切[1]。21世纪以来,互联网技术在图片处理、自然语言理解和情感识别等领域取得了重大突破,已然变成人工智能的新潮,为推荐系统的发展作出贡献。近年来随着互联网用户的迅猛增长和在线教育平台数目的激增,对互联网+教育的研究已经成为新的热点,在线教育平台推荐系统的讨论也被推上高潮。推荐算法可以更好地理解用户的偏好,推荐课程的特点以及用户历史交互行为。本文以网易云课堂平台的历史数据为数据源,采用爬虫技术对在线教育的学习资源进行采样和标准化处理。然后选取用户对课程显式及隐式评分信息等,作为训练用户兴趣偏好模型的主要依据。将高维用户-课程矩阵通过分解降维有效解决数据稀疏问题,在冷启动问题中采用top-N推荐规则,并提出通过用户历史行为序列中所隐含的时序信息来识别其喜好或学习习惯的动态演化过程,从而丰富课程内容推荐服务,在供给端提升学习者对课程的满意度,一定程度上能够提高用户的学习效率。本文从传统的(用户,物品)二元交互转移到(用户,物品,时序信息)三方交互上进行研究。研究主要分为四个部分。第一部分是数据的爬取和课程与用户信息分析,在构建冷启动推荐系统时,为评分次数设置一个阈值,解决因数据过于稀疏情况造成的问题。第二部分对用户偏好进行研究,并构造用户-课程矩阵,并在此基础上构造用户行为时间序列,根据用户的学习行为数据来挖掘学习习惯、划分用户群。第三部分对用户时序行为的在线教育学习资源的推荐方法进行设计与研究,通过引入指数衰减函数,将时序信息纳入对学习者偏好的重排序中,并采取矩阵分解构造用户-课程矩阵。第四部分构建预测矩阵,进行相似度计算与推荐排序。预测评分对用户生成推荐列表,推荐得分一定程度上反映了加入时序历史行为的相似程度,结果表明效果较好。本文聚焦用户时序行为的在线教育课程推荐模型,在传统的推荐算法中考虑加入时序性研究,更好地捕捉用户偏好的动态变化,优化互联网+教育发展模式。

基于心理账户的在线健康社区精准信息推荐研究

这是一篇关于信息推荐,心理账户,在线健康社区,精准推荐的论文, 主要内容为在线健康社区为患者、医生等用户群体提供了有效的交流渠道,越来越多人在在线健康社区中寻求健康问题的解决方案,但信息过载问题使得用户往往要花费大量时间和精力才能找到所需信息。推荐系统是缓解信息过载的经典方法,大多数推荐模型以用户共性规律构建模型,以理性的角度向用户推荐与其既往行为最相似的内容,然而传统的理性人假设具有局限性,无法完全解释健康信息行为的非替代性、信息规避、风险规避等异象。心理账户理论揭示了个体在进行复杂决策时,通过对结果进行分类记账、编码、估价,从而降低决策难度的潜在心理结构,解释了人们决策中的有限理性现象。因此,本研究引入心理账户理论,从有限理性的角度考虑用户的心理认知过程,参照心理账户对用户使用在线健康社区中参与损益的分类和运算进行显式建模,构建符合用户心理需求的精准信息推荐模型。本研究根据心理账户构建在线健康社区精准信息推荐模型,模型的核心框架基于心理账户的三个重要部分:资源的分类与预算控制、账户评估频率及选择框架问题、账户的损益运算和估价过程。基于三个部分,设计了基于LDA主题模型的基于主题分类的损益账户、基于时间衰减函数的账户范围动态划定、基于价值函数的损益感知与评价三个模型组件。针对在线健康社区数据,提取了话题帖特征和用户特征,从动机理论出发构建了用户参与话题帖的损益计算模块。最后,组合上述所有模块得到基于心理账户的在线健康社区精准信息推荐模型。为了验证模型的性能,本研究采集了糖尿病论坛“甜蜜家园”的数据进行实证分析,利用召回率和NDCG指标评价基准模型和本研究所提出模型的性能。结果表明,本研究提出的模型性能优于所有基准模型,相较于基准模型中性能最佳的模型,本研究模型在K=5、K=10、K=20的推荐列表长度下,召回率提升幅度分别为19.42%、28.43%、30.30%,NDCG分别提升2.62%、8.59%、12.36%。在消融实验中,原模型性能高于消除时间衰减、消除价值函数、消除个体差异的三个变体模型,印证了模型基于心理账户的模块的有效性。本研究丰富了信息推荐研究的理论视角,基于心理账户理论构建了考虑用户心理认知过程的信息推荐模型,验证了从有限理性角度引入心理因素对推荐模型提升的有效性,为未来基于人类认知偏差建模的推荐系统作了积极探索。

面向线下医药零售的精准推荐技术研究

这是一篇关于知识图谱,用户画像,用户行为分析,用户相似度,精准推荐的论文, 主要内容为随着信息技术的发展,线下医药零售企业积累了大量消费数据,如何从中挖掘出有价值的信息已成为企业关注的重点。同时,医药零售行业内的竞争也更加激烈,企业急需发展新的途径提升竞争力。精准推荐技术可以帮助企业在海量数据中挖掘出用户的兴趣,推荐用户喜欢的商品,刺激用户消费,从而促进企业发展。由于药品的毛利率远低于保健品,用户又很少购买保健品,所以本文主要研究如何在线下医药零售环境中提供精准的保健品推荐服务。本文面向线下医药零售场景,进行了精准推荐技术的相关研究,主要包括以下部分:第一,构建医药知识图谱并设计用户画像标签体系,通过购买的药品组合给目标用户打上人群标签,基于人群标签产生推荐结果。第二,分析目标用户与购买过保健品的用户的购药行为相似性,求出满足设定阈值的相似用户集合,并将集合中的相似用户购买的保健品作为用户喜好,计算目标用户对候选保健品的兴趣度,生成推荐结果。本文的创新之处在于:1、针对新用户和历史购药数据稀疏的用户,提出基于医药知识图谱和用户画像的推荐技术,通过医药知识图谱保证了医药知识的专业性,并有效的解决了冷启动、购药数据稀疏问题。2、针对历史购药数据丰富的用户,提出基于用户购药行为分析的推荐技术,通过用户购药行为分析,找到从未购买过保健品的用户的保健品喜好,有效解决由于缺乏保健品消费数据而无法进行个性化推荐的问题。经理论分析和实验结果证明了的本文推荐技术的有效性,实际应用效果表明在实际场景中具有较高的推荐准确率和极高的用户适用比例,满足线下医药零售企业的需求。

基于用户画像的互联网广告推荐系统的设计与实现

这是一篇关于用户画像,精准推荐,冷启动,点击率预估的论文, 主要内容为随着互联网技术的高速发展与移动终端的不断普及,线上用户在快速获得信息的同时,也面临着信息冗余的问题。信息冗余问题在互联网广告领域尤为明显,将不同类型的广告尽可能精准地推送到目标用户面前,一直是算法工程师的研究目标之一。信息冗余问题的解决,在用户层面,可以节约用户时间,提高用户体验和粘性。在运营层面,可以提高广告投放效率,降低企业运营成本。本文以亚马逊电商广告数据集为基础,设计了基于用户画像的互联网广告推荐系统。本文借助用户行为信息与广告信息,分析了用户的广告喜好与点击习惯,对新广告进入系统的点击率和面向人群进行预测,提高了广告精准推荐的效率。最后,本文为广告推荐算法提出了合理建议和展望。本文在广告推荐系统数据处理、实时/离线推荐等基本需求的基础上设计了系统框架,并对系统中的广告离线/实时推荐、点击率预估、广告冷启动等功能进行了深入的研究工作,本文的主要内容和创新如下:(1)广告离线/实时推荐。广告推荐功能,主要由离线和实时两个模块组成。本文的离线推荐,通过分析用户对广告的历史评分信息,优化历史评分信息矩阵,结合Spark平台中基于矩阵分解的协同过滤ALS算法,以算法推荐与统计推荐相结合的方式对广告评分进行预测、排序、推荐。广告实时推荐模块通过对广告信息进行分析、计算广告之间相似度的方法,根据用户的操作计算出用户对广告的评分后,召回相似广告群粗排,再通过预设的推荐策略精排,实现精准化实时推荐。(2)广告点击率预估。本文广告点击率预估功能的实现,是以广告信息、用户信息和上下文信息作为输入的自变量,以广告点击作为输出的因变量,基于改进NFM模型得到的NFFM模型的基础上,进一步优化,得到Z-NFFM模型进行点击率预估,提升了广告点击率预估的准确率,通过实验验证模型的最终预测准确率相较于传统模型有明显的提升。(3)广告冷启动。广告冷启动指的是广告第一次进入系统推荐群体的选择。本文通过广告信息和用户特征训练LightGBM-LR模型。广告冷启动功能根据新广告信息,对其适配人群的年龄和性别等特征进行了用户画像,压缩了初始推荐用户的范围,并向特定的用户群体进行推荐。