基于情感分析的餐饮行业推荐系统设计与实现
这是一篇关于商品推荐,情感分析,二分图,Spark数据平台的论文, 主要内容为随着互联网技术的不断发展,近年来涌现的“互联网+”热潮使得信息技术和传统服务行业的关联性变得越发紧密。但是海量的商品与自然人用户之间的信息过载问题一直存在,基于不同类型社交网络的推荐系统也一直在试图解决这类问题。本文基于一种结合用户评价情感分析的推荐模型,设计并实现基于Spark数据平台的餐饮行业推荐系统。本系统完成了需求分析、概要设计、详细设计到代码实现的一系列工作。本文主要完成工作具体如下:1.提出了融合二分图和情感分析的商品推荐模型。本文结合用户属性信息、用户行为信息及商品信息,首先利用基于二分图推荐算法完成了待选商品集合的粗排工作;同时,采用基于情感词典特征的随机森林情感分析算法计算商品评价综合分值,结合该分值对粗排结果集进行再次过滤,形成最终的商品推荐列表。经论证,该方法较传统的推荐算法效果更好。2.设计与实现基于情感分析的餐饮行业推荐系统。本系统采用了B/S架构,Spring Boot框架及Vue.js等Java Web相关技术进行开发,实现前后端分离。整个系统的功能包括商品购买、商品评价、商品推荐功能模块。其中商品推荐功能和Spark大数据平台进行协同,系统能够充分利用Spark Streaming的实时大数据处理能力实现商品推荐功能。
基于二分图的混合推荐系统的研究与实现
这是一篇关于混合推荐系统,二分图,UIIM,Spark,SLIM的论文, 主要内容为近几年随着互联网以及电子商务的飞速发展,互联网中的信息呈现出爆炸性的增长,用户无法从过量无用信息中挖掘出自己需要的物品或者信息,在这种情况下,个性化推荐系统应运而生。 个性化推荐系统可以根据用户的喜好为用户推荐物品,帮助用户迅速找到自己的兴趣方向。但是随着个性化推荐系统的广泛应用,冷启动以及稀疏性等问题开始出现,基于单一算法的推荐系统已经不能满足实际需要。同时由于互联网信息的爆炸性增长,基于单机算法的推荐系统已经无法处理大规模数据。 基于上述问题,论文对基于二分图的混合推荐系统进行了研究。首先对推荐系统的相关概念进行了介绍,并详细描述了基于隐语义模型的推荐算法SLIM (sparse linear method)以及基于二分图的推荐算法。本文对SLIM的核心思想进行了研究,分析了SLIM的缺点：无法学习未被同一用户评价过的物品之间的相似度；接着基于二分图对SLIM算法进行了改进,提出了一种新的混合推荐算法UIIM (user-item interest model),并通过实验验证了UIIM的推荐质量。其次,针对大规模数据带来的问题,设计实现了基于Spark的并行UIIM算法(ParallelUIIM),并通过实验验证了ParallelUIIM的准确性以及效率。经过实验证明,混合推荐算法UIIM的推荐质量要优于SLIM,对于评价量稀疏的用户,质量也同样有所提高；基于Spark实现的ParallelUIIM算法在大数据规模上的效率要明显优于单机算法。最后,基于海量数据分析平台,设计了混合推荐系统的架构,并基于Mapreduce实现了三个数据预处理的算法,利用并行后的混合推荐算法ParallelUIIM构建了混合推荐系统,为混合推荐算法的应用提供了案例。
基于图模型的时空社会关系网络建模及推荐技术研究
这是一篇关于基于位置的社交网络,兴趣点推荐,聚类,二分图,顶点嵌入向量的论文, 主要内容为随着移动互联网和定位技术的快速发展,用户通过移动设备可以很轻松的获取到自己的位置信息,这也催生了许多基于位置的社交网络(LBSN)平台,用户通过平台上签到就可以分享他们日常生活中访问过的兴趣点,平台也推出了推荐服务提高用户的生活体验,特别是兴趣点推荐极大的方便了用户对周边兴趣点的探索。一个优秀的推荐服务可以在任何时候通过建模分析用户的历史行为,就能给用户推荐出此时此刻他最可能感兴趣的新兴趣点。本文为了融合LBSN推荐服务中影响兴趣点推荐的三大主要因素:用户社会好友关系、兴趣点地理空间位置、时间信息去提高兴趣点推荐的效果,我们提出了一种基于图模型的兴趣点推荐算法,并且这种兴趣点推荐是时间感知的推荐。为了降低推荐算法的整体复杂度,我们首先利用聚类算法在用户图上进行了用户聚类,其中聚类算法中确定初始聚类中心是利用了寻找图的最稀疏子图算法,然后通过聚类中心的迭代更新、合并聚类,得到最终的用户聚类结果。之后在聚类结果的每个群组中分别建立包含有六个二分图(用户-用户、用户-兴趣点、用户-时间、兴趣点-兴趣点、兴趣点-用户、兴趣点-时间)的大型异构网络图,这个异构网络图是在融合了以上三种影响兴趣点推荐因素而建立的,之后通过LINE模型算法的训练学习得到表示用户、兴趣点、时间的顶点嵌入向量。为了加快训练速度,我们进一步利用了负采样和Alias取样方法优化LINE模型算法。然后我们利用用户、兴趣点、时间这三种顶点嵌入向量就可以计算出用户访问新兴趣点的预测分,并按预测分高低选取top-N个兴趣点推荐给用户。最后我们通过Gowalla数据集对本文算法进行了仿真实验,实验结果表明我们的算法在时间感知上的推荐优于本文中对比的其它三种推荐算法,达到了预期的实验效果。
基于二分图的混合推荐系统的研究与实现
这是一篇关于混合推荐系统,二分图,UIIM,Spark,SLIM的论文, 主要内容为近几年随着互联网以及电子商务的飞速发展,互联网中的信息呈现出爆炸性的增长,用户无法从过量无用信息中挖掘出自己需要的物品或者信息,在这种情况下,个性化推荐系统应运而生。 个性化推荐系统可以根据用户的喜好为用户推荐物品,帮助用户迅速找到自己的兴趣方向。但是随着个性化推荐系统的广泛应用,冷启动以及稀疏性等问题开始出现,基于单一算法的推荐系统已经不能满足实际需要。同时由于互联网信息的爆炸性增长,基于单机算法的推荐系统已经无法处理大规模数据。 基于上述问题,论文对基于二分图的混合推荐系统进行了研究。首先对推荐系统的相关概念进行了介绍,并详细描述了基于隐语义模型的推荐算法SLIM (sparse linear method)以及基于二分图的推荐算法。本文对SLIM的核心思想进行了研究,分析了SLIM的缺点：无法学习未被同一用户评价过的物品之间的相似度；接着基于二分图对SLIM算法进行了改进,提出了一种新的混合推荐算法UIIM (user-item interest model),并通过实验验证了UIIM的推荐质量。其次,针对大规模数据带来的问题,设计实现了基于Spark的并行UIIM算法(ParallelUIIM),并通过实验验证了ParallelUIIM的准确性以及效率。经过实验证明,混合推荐算法UIIM的推荐质量要优于SLIM,对于评价量稀疏的用户,质量也同样有所提高；基于Spark实现的ParallelUIIM算法在大数据规模上的效率要明显优于单机算法。最后,基于海量数据分析平台,设计了混合推荐系统的架构,并基于Mapreduce实现了三个数据预处理的算法,利用并行后的混合推荐算法ParallelUIIM构建了混合推荐系统,为混合推荐算法的应用提供了案例。
基于二分图嵌入的推荐算法研究
这是一篇关于推荐系统,二分图,嵌入向量的论文, 主要内容为随着计算机技术的不断发展,网络上的信息及数据的数量呈爆炸式增长,这使得人们无法从大量可供选择的信息中抽取有效的内容,由此,推荐系统体系应运而生。推荐系统从根本上来说是一种信息筛选系统,它通过一定的算法在大量数据中过滤用户不太可能产生行为的数据,从而为其推荐所需要的信息或服务。目前,基于标签的推荐、基于模型的推荐以及基于神经模型的推荐等推荐算法都可以为特定的内容或者用户进行推荐。而现实生活中,物品之间、用户之间以及物品与用户之间存在着各式各样的二分关系,如某视频网站中,用户和视频之间形成了“观看”的二分关系;DBLP中,作者和其论文之间形成了“发表”的二分关系。本文采用二分图对两种不同类型的实体及其二分关系进行建模,通过优化其嵌入向量来提高推荐的效率和效果。本文的主要研究内容如下:(1)对于传统图嵌入算法大多过于关注图的拓扑结构,而对结点本身信息关注较少从而导致表征能力不足的问题,本文在计算图嵌入向量的过程中引入结点相关数据作为该结点的先验信息,并通过预训练结点的嵌入向量进行更加准确的结点表示。与此同时,本文提出的方法兼顾了图中结点间的显式关系和隐式关系,并探究了两者的重要程度。(2)传统的图嵌入算法主要针对同构图设计,而二分图是一种特殊的异构图,显然传统图嵌入算法无法完全适用于二分图。由此,为了提高二分图嵌入的效果,本文对传统随机游走算法[1]进行改进,引入了Attention机制,提出基于Attention的随机游走策略。该方法分别在二分图的两种相同类型结点间进行游走,用于获取若干结点序列。首先,初始化结点向量,对结点进行向量化表示;其次,利用Attention机制来指导随机游走的方向,获得若干结点序列;然后,将生成的结点序列放入Skip-gram模型中,得到结点的嵌入向量;最后本文设计了一个联合优化框架,并采用随机梯度上升法对结点的嵌入向量进行迭代更新,从而提高该模型的收敛速度和结点嵌入向量的表示效果。(3)本文为提出的模型创建了实验环境,设计了算法的衡量指标,并与多种其他模型进行对比分析。实验表明本文提出的模型是有效的。
基于二分图的混合推荐系统的研究与实现
这是一篇关于混合推荐系统,二分图,UIIM,Spark,SLIM的论文, 主要内容为近几年随着互联网以及电子商务的飞速发展,互联网中的信息呈现出爆炸性的增长,用户无法从过量无用信息中挖掘出自己需要的物品或者信息,在这种情况下,个性化推荐系统应运而生。 个性化推荐系统可以根据用户的喜好为用户推荐物品,帮助用户迅速找到自己的兴趣方向。但是随着个性化推荐系统的广泛应用,冷启动以及稀疏性等问题开始出现,基于单一算法的推荐系统已经不能满足实际需要。同时由于互联网信息的爆炸性增长,基于单机算法的推荐系统已经无法处理大规模数据。 基于上述问题,论文对基于二分图的混合推荐系统进行了研究。首先对推荐系统的相关概念进行了介绍,并详细描述了基于隐语义模型的推荐算法SLIM (sparse linear method)以及基于二分图的推荐算法。本文对SLIM的核心思想进行了研究,分析了SLIM的缺点：无法学习未被同一用户评价过的物品之间的相似度；接着基于二分图对SLIM算法进行了改进,提出了一种新的混合推荐算法UIIM (user-item interest model),并通过实验验证了UIIM的推荐质量。其次,针对大规模数据带来的问题,设计实现了基于Spark的并行UIIM算法(ParallelUIIM),并通过实验验证了ParallelUIIM的准确性以及效率。经过实验证明,混合推荐算法UIIM的推荐质量要优于SLIM,对于评价量稀疏的用户,质量也同样有所提高；基于Spark实现的ParallelUIIM算法在大数据规模上的效率要明显优于单机算法。最后,基于海量数据分析平台,设计了混合推荐系统的架构,并基于Mapreduce实现了三个数据预处理的算法,利用并行后的混合推荐算法ParallelUIIM构建了混合推荐系统,为混合推荐算法的应用提供了案例。
基于情感分析的餐饮行业推荐系统设计与实现
这是一篇关于商品推荐,情感分析,二分图,Spark数据平台的论文, 主要内容为随着互联网技术的不断发展,近年来涌现的“互联网+”热潮使得信息技术和传统服务行业的关联性变得越发紧密。但是海量的商品与自然人用户之间的信息过载问题一直存在,基于不同类型社交网络的推荐系统也一直在试图解决这类问题。本文基于一种结合用户评价情感分析的推荐模型,设计并实现基于Spark数据平台的餐饮行业推荐系统。本系统完成了需求分析、概要设计、详细设计到代码实现的一系列工作。本文主要完成工作具体如下:1.提出了融合二分图和情感分析的商品推荐模型。本文结合用户属性信息、用户行为信息及商品信息,首先利用基于二分图推荐算法完成了待选商品集合的粗排工作;同时,采用基于情感词典特征的随机森林情感分析算法计算商品评价综合分值,结合该分值对粗排结果集进行再次过滤,形成最终的商品推荐列表。经论证,该方法较传统的推荐算法效果更好。2.设计与实现基于情感分析的餐饮行业推荐系统。本系统采用了B/S架构,Spring Boot框架及Vue.js等Java Web相关技术进行开发,实现前后端分离。整个系统的功能包括商品购买、商品评价、商品推荐功能模块。其中商品推荐功能和Spark大数据平台进行协同,系统能够充分利用Spark Streaming的实时大数据处理能力实现商品推荐功能。
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：毕设小屋 ，原文地址：https://m.bishedaima.com/lunwen/52711.html
