面向军队院校研究生毕业分配推荐的关键技术研究
这是一篇关于推荐算法,推荐系统,行为建模,人物画像,知识增强的论文, 主要内容为在军事院校场景下,军队研究生教育的本意是培养优质血液输送到我军各个关节,以提升整体人才队伍的能力素质。当前,部队提出什么样的需求、院校就培养什么样的人才。然而在人岗对接的过程中,由于不清楚培养学员的学术专长,导致分配过程无法精准匹配。因此,有必要通过研究生毕业分配推荐系统来促进学校硕、博士毕业生和用人单位岗位之间的精准匹配。主流推荐系统所使用的推荐技术中,协同过滤方法是目前最常用且效果最好的推荐方法。然而,协同过滤方法是基于用户过去大量的行为或记录来预测用户将来的项目选择,而研究生毕业分配工作是一次性的,不存在针对单个学员的历史分配记录。因此,协同过滤方法不能直接用于毕业生就业推荐。其次,用人单位的选人偏好在选择待分配学员时起着至关重要的作用。因此,如何分析与确定用人单位对学员的偏好也是本文面临的挑战之一。再次,由于信息不对称的问题,需要与推荐算法相适应的人物画像,一方面帮助用人单位可视化、全方位立体的了解待分配学员的综合情况;另一方面凝练已有数据,方便推荐系统的计算处理,有利于实现高质量推荐。针对上述问题,本文通过三部分核心研究工作予以回应。首先,本文构建了学员分配数据集,根据学员培养数据及学员评价数据,结合研究生评价指标体系的AHP问卷调查结果,提出了研究生评价五维模型。五维模型能够从思想政治素质、军事素养、专业素质、研究创新与实践能力、身心素质五个维度全方位地描述学员的综合素质。此外,基于学员基础数据与研究生评价五维模型,构建了学员画像标签体系模型,从五维评价模型、基本描述信息、个性化特点三个维度综合且立体地展现学员情况。学员画像标签体系模型是生成每个学员的全息学员画像的核心技术。其次,本文提出了一种基于动态偏好学习的特征识别算法(FRDPL),旨在通过学习用户历史行为数据中的学员特征,建立用户偏好模型。FRDPL能够有效识别学员的动态、静态特征,通过机器学习方法学习用户的大量行为数据,获取相应岗位对学员的特征偏好,并在迭代中不断更新偏好权重,提高学员特征识别的精确度。在学员分配数据集上的实验证明,该算法能够利用历史数据学习用户偏好,实现对学员特征的有效识别。最后,本文提出了知识增强的协同过滤算法(Ke CF),旨在通过既有知识图谱增强用户偏好矩阵中的信息,解决协同过滤算法中冷启动和数据稀疏性的问题,以实现专业与岗位的精准匹配。Ke CF能够根据学员分配反馈数据更新偏好矩阵信息,在时间维度上识别专业和岗位间对应关系的变化。为实现更优的推荐效果,本文采用混合推荐方法结合Ke CF和FRDPL,提出基于知识增强的动态混合推荐算法(Ke DHR),形成“学员特征+专业”到“部队性质+岗位类别+用人偏好”的精准推荐。在学员分配数据集上的实验结果验证了Ke DHR的有效性及优越性。此外,本文设计了面向军事院校场景的研究生毕业分配推荐系统,系统搭载学员画像标签体系模型和Ke DHR算法,能够提供毕业学员数据统计、毕业学员评价以及毕业学员推荐三项核心功能,高度适配军队院校研究生毕业分配推荐的特殊任务场景。
基于知识图谱的纪检监察线索调查研究与应用
这是一篇关于案件线索调查,知识图谱,人物画像,社区检测,线索点分析的论文, 主要内容为信息技术的迅猛发展所引发的大数据思维,为纪检监察机关案件线索侦办带来了新的机遇。目前纪检监察机关在对以贪腐案件为代表的违法违纪类案件进行线索调查数据初核时,仍面临着如下问题:案件调查数据种类庞杂且结构多样化;处理大量案件数据效率低下;隐形线索难以发掘。本文将知识图谱技术应用于涉嫌违法违纪类案件的线索调查数据初核工作当中,以辅助办案,并提升线索调查工作的效率。本文首先提出基于Neo4J的调查案件知识图谱的构建及存储方法,支撑与案件相关的各类数据整合,更全面直观的呈现案件相关实体(人、财、物)之间的关系。其次,基于构建完成的调查案件知识图谱,从人物画像及电话通讯社交网络图两个方面进行线索点分析,以达到异常线索判别、缩小调查范围及确定重点调查对象的目的。最后,研发了在案件调查初核阶段能提供给办案人员所使用的案件知识图谱线索调查系统。本文使用当地纪委提供的真实案件数据对系统进行了应用,以验证本文研究工作的有效性,并结合调查的实际情况证明了本文所提方法从调查案件数据整合、数据关联可视化展示、线索点分析查找等方面均具有重要作用及意义,有助于提升纪检监察机关办案人员对违法违纪类案件线索调查的成效。
基于知识图谱的人物推荐研究
这是一篇关于人物推荐,知识图谱,兴趣,人物画像,DFS的论文, 主要内容为如今网络上社交网络发展日趋繁荣,基于社交网络上的发掘人与人之间的研究越来越多,但目前大多数的研究是基于标签和内容方面的推荐,存在过度推荐和过度专业化的问题,并没有考虑社交网络中其它有关联的内容的影响,这样很难全方面准确地推荐用户感兴趣的人。因此,本文主要知识图谱构建、用户画像构建和人物推荐算法三个层面开展相关研究。针对构建拥有丰富知识的知识图谱的问题,本文提出了一种基于微软开源数据集构建知识图谱的方法。目前大多数研究中构建知识图谱的方法大多来源单一数据通道,本文分析了AngleList网站与用户之间的关系,提出了一种从AngleList出发获取同一用户的Twitter、Facebook、Linkedin多通道数据的方法,进而提出了基于微软开源数据集和多通道数据集的实体识别和实体关系抽取的方法,最后提出了一种基于实体和实体关系构建完整知识图谱的方法,保证了知识图谱拥有知识的完整性和丰富性。针对基于知识图谱准确构建用户画像的问题,本文提出了一种基于知识图谱中属于用户的节点之间权重构建用户画像方法。本文提出了一种根据用户发表的每条短文本提取兴趣主题和关键词的方法,保证了细粒度地提取,这两部分和用户的固有属性组成了知识图谱中代表用户的全部节点。本文中属于用户的任意两个节点之间的权重是通过这两个节点之间的距离和节点之间的边的权重这两部分计算出来的,并提出了一种基于用户节点构成的连通图的最小生成树方法构建用户画像的方法,这种方法保证了用户画像的准确性和丰富性。针对用户画像进行人物推荐的问题,本文提出了基于权重的广度优先搜索方法WDFS和基于权重的深度优先搜索方法WBFS对用户画像进行遍历得到知识图谱中用户所有节点的排名的方法。通过实验对比分析发现,基于WDFS的人物推荐方法效果最好,紧接着本文针对WDFS的人物推荐方法进行了算法调优,提高了人物推荐的准确率。最后,根据单一变量原则,选取其它人物推荐的方法进行对比试验,本文中的方法的平均准确率达到38.7%,优于其它人物推荐方法。
面向军队院校研究生毕业分配推荐的关键技术研究
这是一篇关于推荐算法,推荐系统,行为建模,人物画像,知识增强的论文, 主要内容为在军事院校场景下,军队研究生教育的本意是培养优质血液输送到我军各个关节,以提升整体人才队伍的能力素质。当前,部队提出什么样的需求、院校就培养什么样的人才。然而在人岗对接的过程中,由于不清楚培养学员的学术专长,导致分配过程无法精准匹配。因此,有必要通过研究生毕业分配推荐系统来促进学校硕、博士毕业生和用人单位岗位之间的精准匹配。主流推荐系统所使用的推荐技术中,协同过滤方法是目前最常用且效果最好的推荐方法。然而,协同过滤方法是基于用户过去大量的行为或记录来预测用户将来的项目选择,而研究生毕业分配工作是一次性的,不存在针对单个学员的历史分配记录。因此,协同过滤方法不能直接用于毕业生就业推荐。其次,用人单位的选人偏好在选择待分配学员时起着至关重要的作用。因此,如何分析与确定用人单位对学员的偏好也是本文面临的挑战之一。再次,由于信息不对称的问题,需要与推荐算法相适应的人物画像,一方面帮助用人单位可视化、全方位立体的了解待分配学员的综合情况;另一方面凝练已有数据,方便推荐系统的计算处理,有利于实现高质量推荐。针对上述问题,本文通过三部分核心研究工作予以回应。首先,本文构建了学员分配数据集,根据学员培养数据及学员评价数据,结合研究生评价指标体系的AHP问卷调查结果,提出了研究生评价五维模型。五维模型能够从思想政治素质、军事素养、专业素质、研究创新与实践能力、身心素质五个维度全方位地描述学员的综合素质。此外,基于学员基础数据与研究生评价五维模型,构建了学员画像标签体系模型,从五维评价模型、基本描述信息、个性化特点三个维度综合且立体地展现学员情况。学员画像标签体系模型是生成每个学员的全息学员画像的核心技术。其次,本文提出了一种基于动态偏好学习的特征识别算法(FRDPL),旨在通过学习用户历史行为数据中的学员特征,建立用户偏好模型。FRDPL能够有效识别学员的动态、静态特征,通过机器学习方法学习用户的大量行为数据,获取相应岗位对学员的特征偏好,并在迭代中不断更新偏好权重,提高学员特征识别的精确度。在学员分配数据集上的实验证明,该算法能够利用历史数据学习用户偏好,实现对学员特征的有效识别。最后,本文提出了知识增强的协同过滤算法(Ke CF),旨在通过既有知识图谱增强用户偏好矩阵中的信息,解决协同过滤算法中冷启动和数据稀疏性的问题,以实现专业与岗位的精准匹配。Ke CF能够根据学员分配反馈数据更新偏好矩阵信息,在时间维度上识别专业和岗位间对应关系的变化。为实现更优的推荐效果,本文采用混合推荐方法结合Ke CF和FRDPL,提出基于知识增强的动态混合推荐算法(Ke DHR),形成“学员特征+专业”到“部队性质+岗位类别+用人偏好”的精准推荐。在学员分配数据集上的实验结果验证了Ke DHR的有效性及优越性。此外,本文设计了面向军事院校场景的研究生毕业分配推荐系统,系统搭载学员画像标签体系模型和Ke DHR算法,能够提供毕业学员数据统计、毕业学员评价以及毕业学员推荐三项核心功能,高度适配军队院校研究生毕业分配推荐的特殊任务场景。
基于知识图谱的纪检监察线索调查研究与应用
这是一篇关于案件线索调查,知识图谱,人物画像,社区检测,线索点分析的论文, 主要内容为信息技术的迅猛发展所引发的大数据思维,为纪检监察机关案件线索侦办带来了新的机遇。目前纪检监察机关在对以贪腐案件为代表的违法违纪类案件进行线索调查数据初核时,仍面临着如下问题:案件调查数据种类庞杂且结构多样化;处理大量案件数据效率低下;隐形线索难以发掘。本文将知识图谱技术应用于涉嫌违法违纪类案件的线索调查数据初核工作当中,以辅助办案,并提升线索调查工作的效率。本文首先提出基于Neo4J的调查案件知识图谱的构建及存储方法,支撑与案件相关的各类数据整合,更全面直观的呈现案件相关实体(人、财、物)之间的关系。其次,基于构建完成的调查案件知识图谱,从人物画像及电话通讯社交网络图两个方面进行线索点分析,以达到异常线索判别、缩小调查范围及确定重点调查对象的目的。最后,研发了在案件调查初核阶段能提供给办案人员所使用的案件知识图谱线索调查系统。本文使用当地纪委提供的真实案件数据对系统进行了应用,以验证本文研究工作的有效性,并结合调查的实际情况证明了本文所提方法从调查案件数据整合、数据关联可视化展示、线索点分析查找等方面均具有重要作用及意义,有助于提升纪检监察机关办案人员对违法违纪类案件线索调查的成效。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://m.bishedaima.com/lunwen/50586.html
