细粒度服装图片检索研究
这是一篇关于细粒度,服装图片检索,代价敏感,非平衡的论文, 主要内容为随着服装电商平台的蓬勃发展,如何在庞大的服装图片数据库中检索到与用户需求相关的图片是一个具有挑战性的问题。深度学习技术在众多领域的强大表现使得基于深度神经网络的服装图片内容检索得以快速发展,但目前基于整体图片内容的检索方式属于粗粒度图片检索,难以满足服装丰富的细节特征等相关检索需求,如何从更精细的粒度进行服装图片检索以更精准地满足用户需求是一个非常有意义的研究课题。本文聚焦于细粒度服装图片检索,提出了联合关键点检测和服装属性预测的深度网络模型,解决服装图片细粒度特征提取的难题,并设计代价敏感的损失函数,处理服装图片数据集的类别、属性分别不平衡的问题;进而设计与实现了基于上述算法的细粒度服装图片检索原型系统并做了一系列的实验和分析验证系统的可行性。具体工作包括:(1)提出了基于代价敏感的细粒度服装图片检索算法。该方法综合利用深度神经网络模型进行关键点检测与服装属性预测,结合代价敏感的损失函数和K-Means聚类,提高了服装图片在数据集分布不平衡下检索准确率和检索的速度。所提出的深度卷积网络模型结构由四个卷积网络子模块组成,分别为主干网络、关键点检测、服装属性识别、Rio Pooling等模块;主干网络模块使用了适合用于图片分类和定位的VGG16(Visual Geometry Group)网络模型;Rio Pooing模块利用关键点检测模块提供的服装图片关键点位置信息,把VGG16输出的主干特征切割为服装图片关键点位置的细粒度特征;网络模型通过代价敏感的损失函数进行训练,削弱训练数据集的服装图片属性分布不平衡对检索模型的不利影响。在实验与分析中,以Fashion Net作为基准网络模型通过损失函数的消融实验、细粒度服装图片检索等实验验证所提出算法有效性。实验数据中各项性能指标提升了3%左右。(2)设计与实现了基于代价敏感的服装图片检索的原型系统。介绍了原型系统开发所使用的开发工具与平台、系统原型架构、图形交互界面等,并通过一系列的实验和分析,验证了基于代价敏感的服装图片检索原型系统的有效性。其中实验部分包含了使用不同方法提取图片特征的对比实验、使用K-Means聚类方法加速检索对比实验、使用Cosine距离与欧式距离对比实验、在整体数据集与部分数据集上的对比实验。
基于RF-LR改进算法的疾病辅助诊断软件的研究与设计
这是一篇关于疾病预测,特征选择,代价敏感,随机森林,逻辑回归的论文, 主要内容为近年来,随着“健康中国”政策的提出,医疗健康问题受到社会广泛关注。由于当前社会存在着医疗资源分配不均,城乡医疗服务水平悬殊的现象,所以疾病辅助诊断领域的研究与应用具有重要的实际意义。目前疾病辅助诊断领域存在着疾病预测算法精确度不够高,预测算法未考虑到疾病误诊代价以及传统疾病辅助诊断软件开发工具落后等问题。本文针对上述研究现状,提出了基于随机森林与逻辑回归(RF-LR)改进算法的疾病预测模型,使用真实的医疗数据对算法进行测试分析,基于改进的算法设计并实现了疾病辅助诊断软件。本文的主要工作如下:1.建立基于随机森林与逻辑回归(RF-LR)改进算法的疾病预测模型。针对疾病预测算法精确率有待提高的问题,使用基于随机森林和序列后向搜索策略的特征选择方法,消除数据集中的冗余特征,提高算法的精确率。针对疾病误诊代价问题,使用代价敏感学习方法,在逻辑回归的损失函数中加入代价权重参数,通过选择最优权值参数,降低疾病误诊所带来的代价。使用真实的医疗数据,将改进后的算法同逻辑回归、决策树、支持向量机进行预测效果的对比。测试结果证明,与其他算法相比,本文的疾病预测算法的性能表现较好,精确率、召回率和F1值分别为89.3%、86.8%、88%。2.对疾病辅助诊断软件进行分层设计,将软件分为表示层、控制层、业务逻辑层、数据持久层和数据层,同时使用B/S架构模式进行软件搭建。根据软件的需求分析,采用Struts、Spring、Hibernate(SSH)框架进行软件的设计与实现。疾病辅助诊断软件的功能包括用户注册及登录、用户管理、疾病预测、疾病咨询、科普推送等功能,同时将改进的预测算法应用在疾病预测功能中。3.搭建疾病辅助诊断软件测试环境,根据疾病辅助诊断软件的功能需求,按照国家软件质量测试标准,对软件进行测试。测试包括软件功能测试、软件兼容性测试以及软件性能测试。通过上述的测试来验证软件功能的有效性和可用性。根据测试结果,软件能够满足用户对疾病辅助诊断的需求,同时软件符合国家软件标准,软件在不同的浏览器中都能够稳定运行和使用。
基于张量的数据中心能耗预测研究
这是一篇关于数据中心,特征选择,代价敏感,张量,注意力机制的论文, 主要内容为随着云计算和物联网应用的持续发展,数据中心的规模也在逐渐扩大。随之而来的则是数据中心能耗的大幅增长,这不仅对数据中心的管理造成了巨大影响,更会造成一系列环境问题。目前,基于能耗感知的调度策略是常见的能耗控制技术之一,为了辅助实施基于能耗感知的调度策略并降低数据中心能耗,本文对数据中心的能耗预测问题进行了深入研究。我们在搭建了小型数据中心并进行数据采集的基础上,针对数据中心能耗预测的代价不平衡问题,采用代价敏感策略有针对性地调整能耗预测曲线的偏移程度以适用于高能耗预测场景。代价敏感策略的应用使得模型的预测性能更好,从而有助于提高整体服务水平。此外,本文还为数据中心不同类型任务挑选关键特征,并结合所设计的代价敏感损失函数,提出了基于张量的双阶段注意力机制的长短期记忆网络能耗预测模型。相比当前的主流时序预测模型,本文所提出的模型可以有效地对数据的时序模式和特征相关性进行建模,能更好地捕捉数据中心能耗波动并提高预测准确率。最后,本文开发了一套数据中心能耗预测系统,该系统基于Spring Cloud微服务架构,并集成了本文研究的能耗预测算法。该系统能为数据中心管理人员提供稳定可靠的能耗预测服务,提高数据中心调度与管理效率。
细粒度服装图片检索研究
这是一篇关于细粒度,服装图片检索,代价敏感,非平衡的论文, 主要内容为随着服装电商平台的蓬勃发展,如何在庞大的服装图片数据库中检索到与用户需求相关的图片是一个具有挑战性的问题。深度学习技术在众多领域的强大表现使得基于深度神经网络的服装图片内容检索得以快速发展,但目前基于整体图片内容的检索方式属于粗粒度图片检索,难以满足服装丰富的细节特征等相关检索需求,如何从更精细的粒度进行服装图片检索以更精准地满足用户需求是一个非常有意义的研究课题。本文聚焦于细粒度服装图片检索,提出了联合关键点检测和服装属性预测的深度网络模型,解决服装图片细粒度特征提取的难题,并设计代价敏感的损失函数,处理服装图片数据集的类别、属性分别不平衡的问题;进而设计与实现了基于上述算法的细粒度服装图片检索原型系统并做了一系列的实验和分析验证系统的可行性。具体工作包括:(1)提出了基于代价敏感的细粒度服装图片检索算法。该方法综合利用深度神经网络模型进行关键点检测与服装属性预测,结合代价敏感的损失函数和K-Means聚类,提高了服装图片在数据集分布不平衡下检索准确率和检索的速度。所提出的深度卷积网络模型结构由四个卷积网络子模块组成,分别为主干网络、关键点检测、服装属性识别、Rio Pooling等模块;主干网络模块使用了适合用于图片分类和定位的VGG16(Visual Geometry Group)网络模型;Rio Pooing模块利用关键点检测模块提供的服装图片关键点位置信息,把VGG16输出的主干特征切割为服装图片关键点位置的细粒度特征;网络模型通过代价敏感的损失函数进行训练,削弱训练数据集的服装图片属性分布不平衡对检索模型的不利影响。在实验与分析中,以Fashion Net作为基准网络模型通过损失函数的消融实验、细粒度服装图片检索等实验验证所提出算法有效性。实验数据中各项性能指标提升了3%左右。(2)设计与实现了基于代价敏感的服装图片检索的原型系统。介绍了原型系统开发所使用的开发工具与平台、系统原型架构、图形交互界面等,并通过一系列的实验和分析,验证了基于代价敏感的服装图片检索原型系统的有效性。其中实验部分包含了使用不同方法提取图片特征的对比实验、使用K-Means聚类方法加速检索对比实验、使用Cosine距离与欧式距离对比实验、在整体数据集与部分数据集上的对比实验。
不平衡文本的情感分析在民宿评论中的应用
这是一篇关于不平衡文本,文本表示,重采样,代价敏感,胶囊网络的论文, 主要内容为在线民宿短租行业是将互联网平台和共享经济结合起来的新兴产业,凭借其多样化、个性化和便捷化的特点,给人们带来了全新的住宿体验。然而,相较于传统酒店行业的高效管理和高质量服务,民宿行业的安全系数、管理效率和服务水平都有待提升,如何与酒店竞争用户是民宿行业亟需考虑的问题。另外各大民宿平台之间的竞争愈演愈烈,提升自身的服务竞争力和用户满意度刻不容缓。用户评论数据是促进民宿行业健康持续发展的关键信息,它不仅能够为用户提供房源参考信息,而且还可以给房东和平台提供用户满意度信息和改进建议。本文基于民宿行业的研究现状和趋势,提出将不平衡文本的情感分析方法应用于民宿评论领域。本文的主要贡献有两部分:一方面对民宿评论文本进行统计分析,发现影响用户满意度的主要因素有房屋设施、隔音效果、地理位置等。另一方面将不平衡文本处理和分类模型优化结合起来,基于民宿评论文本构建情感分类模型,主要从文本表示方法、重采样技术和分类算法三个角度改进和优化模型。第二部分的研究内容和结论如下:(1)将评论文本转化为Word2Vec和BERT句向量,对比两者在传统分类模型中的预测效果,验证了 BERT的文本表达能力更强,后续研究均采用BERT表示方法。(2)针对训练集数据不平衡引发少数类样本分类精度低的问题,利用各种重采样技术平衡训练集,并使用传统模型Logistic回归和Adaboost进行分类,证明了过采样和组合采样方式对模型整体精度的提升比较有效。(3)构建集成学习模型、代价敏感模型和深度学习模型,并验证了三类方法均能提升样本数据的分类效果,其中集成学习和代价敏感方法的计算和时间成本较低,而深度学习方法的优势在于预测精度更高,且本文设计的基于BERT-Embedding和重采样技术的ATT-BLSTM-CapsNet模型对民宿评论文本的情感分类效果最好,好评和差评数据的预测精度均达到95%左右,基本解决了不平衡数据引发的预测失衡问题。(4)根据研究对比结果为民宿行业提供不同需求下的高效率情感倾向分类模型,对于用户、房东和平台均有参考价值。
细粒度服装图片检索研究
这是一篇关于细粒度,服装图片检索,代价敏感,非平衡的论文, 主要内容为随着服装电商平台的蓬勃发展,如何在庞大的服装图片数据库中检索到与用户需求相关的图片是一个具有挑战性的问题。深度学习技术在众多领域的强大表现使得基于深度神经网络的服装图片内容检索得以快速发展,但目前基于整体图片内容的检索方式属于粗粒度图片检索,难以满足服装丰富的细节特征等相关检索需求,如何从更精细的粒度进行服装图片检索以更精准地满足用户需求是一个非常有意义的研究课题。本文聚焦于细粒度服装图片检索,提出了联合关键点检测和服装属性预测的深度网络模型,解决服装图片细粒度特征提取的难题,并设计代价敏感的损失函数,处理服装图片数据集的类别、属性分别不平衡的问题;进而设计与实现了基于上述算法的细粒度服装图片检索原型系统并做了一系列的实验和分析验证系统的可行性。具体工作包括:(1)提出了基于代价敏感的细粒度服装图片检索算法。该方法综合利用深度神经网络模型进行关键点检测与服装属性预测,结合代价敏感的损失函数和K-Means聚类,提高了服装图片在数据集分布不平衡下检索准确率和检索的速度。所提出的深度卷积网络模型结构由四个卷积网络子模块组成,分别为主干网络、关键点检测、服装属性识别、Rio Pooling等模块;主干网络模块使用了适合用于图片分类和定位的VGG16(Visual Geometry Group)网络模型;Rio Pooing模块利用关键点检测模块提供的服装图片关键点位置信息,把VGG16输出的主干特征切割为服装图片关键点位置的细粒度特征;网络模型通过代价敏感的损失函数进行训练,削弱训练数据集的服装图片属性分布不平衡对检索模型的不利影响。在实验与分析中,以Fashion Net作为基准网络模型通过损失函数的消融实验、细粒度服装图片检索等实验验证所提出算法有效性。实验数据中各项性能指标提升了3%左右。(2)设计与实现了基于代价敏感的服装图片检索的原型系统。介绍了原型系统开发所使用的开发工具与平台、系统原型架构、图形交互界面等,并通过一系列的实验和分析,验证了基于代价敏感的服装图片检索原型系统的有效性。其中实验部分包含了使用不同方法提取图片特征的对比实验、使用K-Means聚类方法加速检索对比实验、使用Cosine距离与欧式距离对比实验、在整体数据集与部分数据集上的对比实验。
电商平台搜索广告转化率预测与影响因素分析
这是一篇关于搜索广告,转化率,XG Boost,代价敏感的论文, 主要内容为近几年来,广告业进入空前活跃的时期,传统的展示广告已经无法满足市场的需求,能够个性化定制的广告逐渐占据主流,其中搜索广告以用户查询关键字为依据,通过查询词得出用户兴趣,从而个性化推荐广告给用户。搜索广告已经不仅仅限于搜索引擎的广告,电商领域的不断突破正在改变着广告业的格局,以淘宝为例,电商平台的大部分收入由搜索广告贡献。电商搜索广告的转化率预测及其影响因素分析对于电商平台十分重要。本文利用用户<输入关键词-点击商品-是否达成交易>过程中产生的数据,试图对电商平台的搜索广告转化率进行预测,并对其影响因素进行分析。首先对原始数据集进行描述性统计,发现原始数据集存在的问题有:数据缺失,大量的信息无法被直接用于建模,数据存在严重不平衡性。基于以上问题,本文首先对缺失数据进行处理,再对数据进行筛选,然后从无法直接进入模型的信息中提取有效变量,接着对数据的不平衡性进行处理。本文对数据不平衡性的处理采用代价敏感法:对XG Boost的代价函数进行修改,使分错少数类的代价变大。通过与逻辑回归、L1逻辑回归、决策树和随机森林的比较,发现基于代价敏感的XG Boost模型有更高的准确率。加入搜索关键字主题矩阵和数据筛选都能有效提高预测的准确率。本文对影响转化率的因素进行了分析。通过Lasso-Logistic,得到各个因素对转化率的影响方向。对分类起比较重要作用的变量有:商品价格水平、店铺服务水平、商品品牌受欢迎程度、用户潜在兴趣和用户搜索关键字的独立性。其中,商品品牌的受欢迎程度影响最为明显。用户星级、品牌周交易水平、搜索在某一主题上的概率与转化率呈正相关,而价格水平、浏览发生时点等因素与转化率呈负相关。通过上述研究,不仅能够获得了对较为准确的预测转化率,还能够了解了影响因素对转化率的影响方式,从而为电商广告主的搜索广告竞价提供了依据,有助于实现在既定的广告费用下取得最大的效益。
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：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/51301.html
