给大家推荐5篇关于混合聚类的计算机专业论文

今天分享的是关于混合聚类的5篇计算机毕业论文范文, 如果你的论文涉及到混合聚类等主题,本文能够帮助到你

基于知识图谱的学生实训方向推荐方法研究

这是一篇关于知识图谱,推荐算法,混合聚类,权重标签,相似性计算的论文, 主要内容为数据呈爆发式增长的时代,推荐算法在大数据环境下逐渐变得热门,个性化推荐系统作为目前广泛使用的信息过滤手段,主动为用户推荐感兴趣的内容,有效缩减了决策时间成本,同时个性化推荐可以让推荐更加贴合用户偏好,使推荐达到“千人千面”的效果。知识图谱是数据驱动时代下人工智能的重要分支,也是让机器具有认知能力的基石。基于知识图谱的推荐算法可以为推荐算法提供丰富的先验知识提高推荐的精确性、多样性和可解释性。参考中北大学软件学院本科的培养方式,每届大三学生都需要选择实训方向,然而每年都有大部分学生在选择实训方向时而迷茫,本文结合实际情况,以学生信息构建知识图谱为基础,改进现有推荐算法,提出了新的个性化推荐方法并应用于学生实训方向推荐中,避免了大家盲目从众选方向的问题,也避免出现个别方向冷门和爆满的情况,具有实际意义和应用价值。本文围绕构建学生信息知识图谱和改进个性化推荐算法为主线展开研究,本文的主要工作包括:(1)构建学生信息知识图谱。设计并整理学生兴趣调查问卷,对三个年级两千多学生的信息进行数据处理后,利用Neo4j图数据库构建学生相关信息的知识图谱,以历年学院设置的实训方向为基础结合软件行业最新发展趋势设置实训方向。(2)改进推荐算法。协同过滤推荐算法是目前最常用的推荐方法,在此基础上,本文先将数据利用Canopy和Bi-Kmeans进行混合聚类,考虑到用户兴趣会发生变化,在计算用户兴趣偏好时将TF-IDF方法中增加时间系数,计算出用户兴趣偏好得到融合用户兴趣的混合聚类模型,然后将用户个人属性融合到个性化推荐中得到新的相似性计算模型。最后将构建好的知识图谱和推荐算法应用到学生实训方向推荐系统中。(3)设计并实现学生实训方向推荐系统。系统中展示了实训相关信息;生成用户画像;以成绩为主要推荐依据,个人兴趣等统计调查的信息进行辅助推荐,针对学生用户生成实训方向推荐列表。

基于大数据的个性化智能商家推荐系统的研究与实现

这是一篇关于商家推荐,大数据分析,混合聚类,用户属性特征,个性化的论文, 主要内容为随着互联网技术的不断发展与广泛应用,人们生活和工作节奏加快的同时压力越来越大,为减轻生活压力,O2O(Online To Offline)商业模式横空出世。所谓O2O是指将线下交易与互联网相结合,从而大大便利了人们的生活,但与此同时,这种商业模式下生成的信息正在呈指数型“爆炸式”增长,信息过载问题由此产生。解决信息过载问题、减少用户搜索信息时间变得十分迫切。为此,推荐系统横空出世,它通过运用现代化技术与算法,能够准确且有效预测用户喜好。目前,推荐系统发展较为成熟,已经被广泛使用在音乐、购物、电影等平台,但其仍然存在推荐效率低、新用户冷启动等问题,为解决这些问题,本文提出了一种基于大数据的个性化智能商家推荐系统。本文的研究工作主要包括:(1)融入用户属性特征的相似度计算。传统相似度计算方法通常只考虑用户在系统中的评分数据,而忽略用户属性的相似性,当新用户第一次进入系统时,缺乏评分数据,系统无法对其进行推荐,存在新用户冷启动问题。在用户属性中最能影响用户兴趣的属性是年龄和性别。因此,本次研究将用户年龄和性别等属性特征融入传统相似度计算,在新用户第一次进入系统时也能对其进行有效推荐,解决冷启动问题。(2)搭建混合聚类模型。传统协同过滤推荐算法在数据量大的情况下,算法运行时间长,推荐效率低。因此,本文在计算相似度时,采用混合聚类模型(Kmeans+Canopy聚类模型),将相似度大的用户聚类到一起,形成多个聚类簇,在推荐时只需要在同一簇中寻找用户的最近邻居,以此缩短搜索时间进而缩短运行时间,提高推荐效率。(3)推荐结果可视化。搭建大数据集群,在集群上进行数据存储及运算。同时,为了让研究结果更有意义,采用SSM(Spring+Spring MVC+My Batis)框架搭建系统测试平台,将结果进行可视化。