5个研究背景和意义示例,教你写计算机任务推荐论文

今天分享的是关于任务推荐的5篇计算机毕业论文范文, 如果你的论文涉及到任务推荐等主题,本文能够帮助到你

隐私保护安全众包任务推荐系统研究

这是一篇关于科研众包,兴趣匹配,能力验证,隐私保护,任务推荐的论文, 主要内容为科研众包作为一种新的运作模式,为科学研究整合和利用资源提供了有效的解决方法。本文结合当前军事科研体制框架及其未来发展的现实需要,将科研众包模式引入到军事科研管理中,综合考虑现有科研众包系统的特点,结合军事科研项目的特色,解决军事科研众包系统的任务推荐问题,设计了隐私保护安全众包任务推荐系统。该系统的设计结合密码学算法,在保护用户隐私的情况下,解决了科研众包任务推荐系统中承包方兴趣与任务特征的匹配、承包方能力验证问题。为了实现承包方兴趣和任务特征的匹配,建立基于代理重加密的任务匹配模型,该模型首先提取任务和承包方兴趣的特征,设计了基于代理重加密承包方兴趣和任务特征匹配的算法,对任务标签和兴趣进行加密,并上传到众包服务器,众包服务器重加密承包方兴趣和任务特征实现匹配。通过实验证明该模型能实现隐私保护情况下的任务匹配,模型中参与者的计算和存储开销小,运行效率高。为了实现保护承包方隐私情况下的能力验证,本文研究建立了基于属性加密和基于属性签名的两套隐私保护承包方能力验证模型,把密码学的访问控制理论引入到承包方的能力验证中,可以实现承包方细粒度的能力验证。基于属性加密的能力验证模型把任务能力要求表现为特定访问结构,承包方通过与众包服务器交互来证明其属性满足任务要求,该模型在保护承包方隐私的情况下能力验证所花费计算开销小,但需要与众包服务器进行交互,会产生一定的通信开销;基于属性签名的承包方能力验证模型,承包方通过对消息签名来显示其完成能力,众包服务器通过验证承包方签名合法性来验证承包方能力,该模型承包方无需与众包服务器进行交互,没有通信开销,但签名验证的过程中承包方需要花费相对较大一些的计算开销。通过实验证明这两套模型在保护承包方隐私的情况下实现了能力验证,两套能力验证模型各有特色,承包方可以根据自身的需求进行选择不同的能力验证方式。

隐私保护安全众包任务推荐系统研究

面向多目标优化的时空众包任务推荐与分配方法

这是一篇关于时空众包,任务推荐,任务分配,多目标优化,循环神经网络的论文, 主要内容为随着互联网技术与共享经济模式的快速发展,时空众包成为群智感知模式的一个新型范例,它刻画了物理世界与网络世界协同交互的关系,将具有时间限制和地域敏感特征的真实任务通过云平台外包给分散的潜在工人,旨在完成基于位置的传感任务。如何为众包工人推荐和分配与之偏好密切相关的任务,是时空众包研究中的一个关键问题。本文综合考虑到平台收益、任务发布者对任务反馈的满意度以及众包工人对任务的适应力三方需求,根据众包工人和任务的属性信息,以最大化任务完成质量和最大化平台利用率为目标,提出了时空众包任务推荐和分配解决方案,主要创新性研究成果如下:为解决动态时空众包环境中的任务推荐问题,提出了一种考虑众包工人时空行为偏好的top-k任务推荐模型。首先采用时空转移矩阵聚合工人与任务的历史映射信息,然后通过空间注意力机制增强序列信息的表征能力,再将其纳入到时空循环神经网络中挖掘工人局部和全局的移动偏好,进而预测工人的意图动向。最后,依据工人与任务属性信息的相关性、工人参与兴趣与参与频数,利用信息熵衡量不同推荐因素的影响程度,构建工人-任务(worker-tasks)亲和力相关度分数并生成概率个性化任务推荐池,评估工人与其即将到达区域内任务之间的关联关系。为同时解决最大化众包工人效用和平台效用的多目标优化问题,提出了一种基于Bandit的多目标在线任务分配算法。首先,综合考虑众包平台、任务发布者和众包工人多方需求下的重要属性信息,构建最大化平台效用和工人效用的优化目标函数。然后,为了保证任务分配的可靠性,进入候选工人选取阶段,以批处理模式评估工人的累计损失。最后,利用提出的基于无偏概率估计的在线自适应任务分配方法,为给定的任务指派合适的工人。通过在公开数据集上将所提方法与现有主流方法进行比较,结果表明本文所提出的方法具有高效性、合理性以及可行性。上述研究成果可应用到人机交互、信息检索、推荐系统以及智能信息处理等领域,可辅助改进各领域现有系统的服务质量。该论文有图24幅,表1个,参考文献77篇。

基于多模态信息融合的移动群智感知任务推荐方法

这是一篇关于移动群智感知,任务推荐,多模态,多视图,可变信息瓶颈的论文, 主要内容为随着智能移动终端、无线传感网络等的飞速发展,移动群智感知系统正在被大规模推送部署,相关应用也愈发契合人们的日常生活环境。作为近年来涌现出的新型感知范式,它将用户的智能手机、平板电脑、运动手表等随身携带的移动设备作为基本感知单元,利用这些感知节点的内置传感器,形成大型交互式的、参与式的感知网络,通过广大用户的参与收集周围环境的感知数据,是群体智慧在移动数据感知领域的具体体现。相比于传统无线传感器网络,移动群智感知系统收集到的数据更具多模态、时效性和时空性。任务推荐作为移动群智感知相关研究中的核心模块,主要研究如何有效利用用户特征为用户推荐适宜的感知任务,从而提高用户满意度,最大化感知数据质量,优化感知过程,继而使移动群智感知系统得以普及。所以,本文研究了移动群智感知中的任务推荐方法,主要研究成果如下:1.提出一种基于异质多模态特征及决策融合的移动群智感知任务推荐方法。首先,根据用户历史任务集中文本和图像模态数据的内容特征,构造任务-任务相似性矩阵,实现多模态特征维度和语义维度上的对齐。然后,利用改进的相似性网络融合算法将多个内容相似性网络有效融合成一个相似性网络,结合遗忘定律更新用户的偏好模式,过滤掉已发生兴趣迁移的任务。最后,对迭代更新后的相似性网络进行聚类,以预测用户对新发布任务的现时偏好。依据不同数据集上的实验结果表明,该方法可以提高任务分配的准确率和效率,不止于此,该方法还能提升推荐系统的鲁棒性。2.提出一种基于多视图用户动态行为预测的移动群智感知任务推荐方法。首先,从多视图行为序列出发,采用注意力机制,根据社交影响力的强弱,为不同的用户个体行为设定不同的权重,计算群用户行为在不同时间粒度下的聚合表示。然后,利用记忆神经网络融合单个用户多尺度行为序列与群用户多尺度行为序列,提取单用户多视图嵌入行为序列特征。最后,通过多标签预测,获取用户对多种感知行为的偏好概率,同步预测用户对感知任务类型的多方面偏好。综合多个数据集的实验结果,证实该方法与其他基线方法相比,有效地降低了感知成本,与此同时可以有效应对冷启动问题。3.提出一种基于可变信息瓶颈的多领域协同移动群智感知任务推荐方法。首先,通过变分二分图编码器,聚集同类邻居的同质信息,并生成平台各自的用户/项目潜在变量表示。然后,借助可变信息瓶颈正则化器整合多领域的各种表征,减少数据中多余信息的影响,将跨域的用户-项目交互表示从其源领域去噪。最后,利用重叠用户信息正则化器,细化重叠用户的表示,进一步捕获来自两个平台的域共享信息,完成两个领域之间的联合建模,最终实现跨域任务推荐。仿真实验结果表明,该方法在感知任务覆盖率和感知用户满意度方面的表现胜于其他基线方法。