5个研究背景和意义示例,教你写计算机威尔逊区间论文

今天分享的是关于威尔逊区间的5篇计算机毕业论文范文, 如果你的论文涉及到威尔逊区间等主题,本文能够帮助到你

基于Spring Cloud和课程特征属性的在线学习推荐平台

这是一篇关于在线学习推荐平台,Spring Cloud,课程特征属性,威尔逊区间,时间衰减函数的论文, 主要内容为随着互联网的普及,再加上政府出台的各种政策的引导以及大量资本涌入教育行业,在线教育渐渐兴起。但是传统的在线学习平台由于当时技术的局限性,采用单体式架构进行开发,存在灵活性较低、可拓展性和稳定性较差等问题,不能够很好地满足不断增长的业务规模和用户需求。而且传统的排序推荐算法,也存在小样本可信度问题和马太效应。为了解决上述问题,本文设计并实现了一种基于Spring Cloud和课程特征属性的在线学习推荐平台,该平台具有一定的应用价值,具体的工作内容如下:首先,通过分析传统的在线学习平台,发现其存在灵活性较低、可拓展性和稳定性较差等问题,而微服务恰好能够解决以上痛点,因此确定使用微服务架构来开发本文的在线学习推荐平台。其次,基于微服务架构理念,采用目前流行的微服务框架Spring Cloud进行开发。严格遵循科学的软件开发流程,先对在线学习推荐平台进行可行性分析以及需求分析,同时对该平台进行总体架构设计;然后在基于平台功能需求分析的基础上,根据系统功能设计了平台的微服务模块;最后对平台的数据库进行设计。然后,针对传统排序推荐算法存在的小样本可信度问题和马太效应。分析提取了课程特征属性好评率和总评价数,同时结合了威尔逊区间和时间衰减函数,提出了一种基于课程特征属性的排序推荐算法。最后,选用了 Spring Cloud、Vue.js 和 IntelliJ IDEA 等目前流行的 Java Web 开发技术和工具,实现了在线学习推荐平台的前后台系统,并在该平台里实现了基于课程特征属性的排序推荐算法,同时对该平台和排序推荐算法进行测试。测试结果表明,该平台部署灵活、易拓展并且使用稳定,用户能够在多个浏览器上快速访问和使用系统功能,改善了小样本可信度问题,并且缓解了马太效应,能够较准确的以非个性化的方式推荐课程资源给用户。

基于Spring Cloud和课程特征属性的在线学习推荐平台

婚恋系统智能推荐算法的研究与应用

这是一篇关于流行度,威尔逊区间,贝叶斯,婚恋推荐算法的论文, 主要内容为随着互联网中用户数据的爆炸式增长和机器学习在各个领域的迅速扩张,用于解决婚恋交友问题的相关智能推荐算法也日趋活跃。本文以研究婚恋系统中智能推荐算法为课题,重点研究了具有较高准确率、泛化能力以及鲁棒性的婚恋推荐算法和婚恋系统中用户冷启动问题的解决方案,并以网站的形式将算法研究与应用结合起来,为用户推荐一组候选人。主要工作分为三个部分:1.提出一个具有更高准确率、泛化能力以及鲁棒性的SPWB算法。SPWB算法是三种算法叠加(Stacking)起来的混合婚恋推荐算法,其中P表示基于流行度(Popularity)的婚恋推荐算法,W表示基于威尔逊区间(Wilson interval)的婚恋推荐算法,B表示基于贝叶斯(Bayesian)的婚恋推荐算法。本文用NDCG(Normalized Discounted Cumulative Gain)来评估推荐算法好坏,实验结果表明,SPWB算法的推荐能力相对单个算法的NDCG值平均提高了5.9%,其中相对基于流行度、威尔逊区间和贝叶斯的婚恋算法的NDCG值分别提高了6.3%、5.7%和5.8%。2.提出一种婚恋推荐系统中用户冷启动问题的解决方案。由于本文的SPWB算法是根据系统中用户的交互行为来分析用户择偶喜好,进而为用户推荐候选人。但是新用户没有交互行为,系统仍然需要为新用户推荐个性化的候选人。因此,本文提出KD-KNN-LR(Combination of KD-KNN and Logistic Regression)算法为新注册的用户推荐候选人,利用用户注册信息进行双向匹配,解决系统中用户冷启动问题。实验结果表明,根据测试用户的择偶标准,KD-KNN-LR算法的准确率为86%。3.将SPWB算法和KD-KNN-LR算法组合起来应用在婚恋系统中,并使用个人择偶条件进行过滤,为用户推荐个性化的候选人。系统可利用KD-KNNLR算法为新注册的用户推荐候选人。当用户与系统发生交互后,系统记录登录用户与候选人的交互记录,并把最受登录用户欢迎的候选人的重要信息抽取出来,形成用户个人热点择偶标准。然后用双方热点择偶标准去过滤由SPWB算法为其生成的候选人排序列表,最终得到满足双方择偶标准的个性化推荐列表。婚恋系统的推荐结果表明,推荐列表中越靠前的候选人越能满足登录用户的择偶偏好,能够达到智能化推荐候选人的目的。