移动电商平台多维动态推荐技术研究
这是一篇关于移动电商平台,动态推荐系统,多维,位置+项目+时间的论文, 主要内容为在互联网的数据量和信息量都呈指数级増长的背景中,好的推荐系统成为人们在信息海洋的指南针。因为推荐系统可以通过分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息,进而构建用户的知识模型、兴趣模型等能推算用户特征的模型,最终把符合用户特征与用户兴趣的信息准确地提供给客户。目前,国内外已有的推荐算法大多是单维和静态的算法,它们仅基于时间的协同过虑,或只考虑到“用户-位置”。这样的推荐算法越来越不适用于具有多维和动态特征的移动环境。比如,基于位置协同的过滤算法通过分析移动用户的位置信息轨迹获得“用户-位置”评分矩阵,构建基于位置信息的用户偏好模型。而基于时间协同过滤的推荐算法,主要是通过分析移动用户兴趣变化在时间上表现出的特点,综合考虑遗忘规律、兴趣的持久度、衰减性、流行性和季节性等问题进行建模,已经具备了一定的时效性和动态性特征。本文最主要的工作是研究从单维到多维、从静态到动态的推荐技术,提出了一种融合了“位置、项目、时间”等多因子的多维动态协同过滤推荐算法,并应用在当前的移动电商平台中。该算法根据“时间、项目、位置”的多维信息在动态的移动电商平台中实现精准推荐。实验结果表明,与单维和静态的代表性推荐算法进行对比,我们所提的算法在推荐准确性方面更为精准。
移动电商平台多维动态推荐技术研究
这是一篇关于移动电商平台,动态推荐系统,多维,位置+项目+时间的论文, 主要内容为在互联网的数据量和信息量都呈指数级増长的背景中,好的推荐系统成为人们在信息海洋的指南针。因为推荐系统可以通过分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息,进而构建用户的知识模型、兴趣模型等能推算用户特征的模型,最终把符合用户特征与用户兴趣的信息准确地提供给客户。目前,国内外已有的推荐算法大多是单维和静态的算法,它们仅基于时间的协同过虑,或只考虑到“用户-位置”。这样的推荐算法越来越不适用于具有多维和动态特征的移动环境。比如,基于位置协同的过滤算法通过分析移动用户的位置信息轨迹获得“用户-位置”评分矩阵,构建基于位置信息的用户偏好模型。而基于时间协同过滤的推荐算法,主要是通过分析移动用户兴趣变化在时间上表现出的特点,综合考虑遗忘规律、兴趣的持久度、衰减性、流行性和季节性等问题进行建模,已经具备了一定的时效性和动态性特征。本文最主要的工作是研究从单维到多维、从静态到动态的推荐技术,提出了一种融合了“位置、项目、时间”等多因子的多维动态协同过滤推荐算法,并应用在当前的移动电商平台中。该算法根据“时间、项目、位置”的多维信息在动态的移动电商平台中实现精准推荐。实验结果表明,与单维和静态的代表性推荐算法进行对比,我们所提的算法在推荐准确性方面更为精准。
基于J2EE和多维数据模型的金融数据分析系统
这是一篇关于J2EE,Struts,MVC,多维的论文, 主要内容为基于多维数据分析技术的数据分析系统，能有效地解决如何管理商业企业中浩如烟海的数据，以及如何从中提取有用的信息等问题。而基于互联网平台的数据分析系统更是当今应用研究的热门课题。 在课题研究过程中，深入研究和讨论了进行数据仓库建设的多维数据分析模型：同时对J2EE平台的特性以及相关技术进行了研究和分析，而对J2EE的设计模式以及基于MVC模式的Struts框架则作了重点研究。 在前面理论研究工作的基础上，本课题提出了一个基于J2EE和多维数据模型的金融数据分析系统的解决方案。运用星型模式、雪花模式等多维数据模型，设计并建立了适合数据分析任务的后台数据库；对应用程序系统进行了分层体系架构设计，并采用基于MVC设计模式的Struts框架，进行Web系统的开发；在系统实现机制上，根据信息和逻辑相分离的原则，对系统的多处实现进行配置化处理，很好的满足了系统的重用性和扩展性。
移动电商平台多维动态推荐技术研究
这是一篇关于移动电商平台,动态推荐系统,多维,位置+项目+时间的论文, 主要内容为在互联网的数据量和信息量都呈指数级増长的背景中,好的推荐系统成为人们在信息海洋的指南针。因为推荐系统可以通过分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息,进而构建用户的知识模型、兴趣模型等能推算用户特征的模型,最终把符合用户特征与用户兴趣的信息准确地提供给客户。目前,国内外已有的推荐算法大多是单维和静态的算法,它们仅基于时间的协同过虑,或只考虑到“用户-位置”。这样的推荐算法越来越不适用于具有多维和动态特征的移动环境。比如,基于位置协同的过滤算法通过分析移动用户的位置信息轨迹获得“用户-位置”评分矩阵,构建基于位置信息的用户偏好模型。而基于时间协同过滤的推荐算法,主要是通过分析移动用户兴趣变化在时间上表现出的特点,综合考虑遗忘规律、兴趣的持久度、衰减性、流行性和季节性等问题进行建模,已经具备了一定的时效性和动态性特征。本文最主要的工作是研究从单维到多维、从静态到动态的推荐技术,提出了一种融合了“位置、项目、时间”等多因子的多维动态协同过滤推荐算法,并应用在当前的移动电商平台中。该算法根据“时间、项目、位置”的多维信息在动态的移动电商平台中实现精准推荐。实验结果表明,与单维和静态的代表性推荐算法进行对比,我们所提的算法在推荐准确性方面更为精准。
移动电商平台多维动态推荐技术研究
这是一篇关于移动电商平台,动态推荐系统,多维,位置+项目+时间的论文, 主要内容为在互联网的数据量和信息量都呈指数级増长的背景中,好的推荐系统成为人们在信息海洋的指南针。因为推荐系统可以通过分析、研究用户的行为、兴趣、习惯和兴趣偏好等个性化的信息,进而构建用户的知识模型、兴趣模型等能推算用户特征的模型,最终把符合用户特征与用户兴趣的信息准确地提供给客户。目前,国内外已有的推荐算法大多是单维和静态的算法,它们仅基于时间的协同过虑,或只考虑到“用户-位置”。这样的推荐算法越来越不适用于具有多维和动态特征的移动环境。比如,基于位置协同的过滤算法通过分析移动用户的位置信息轨迹获得“用户-位置”评分矩阵,构建基于位置信息的用户偏好模型。而基于时间协同过滤的推荐算法,主要是通过分析移动用户兴趣变化在时间上表现出的特点,综合考虑遗忘规律、兴趣的持久度、衰减性、流行性和季节性等问题进行建模,已经具备了一定的时效性和动态性特征。本文最主要的工作是研究从单维到多维、从静态到动态的推荐技术,提出了一种融合了“位置、项目、时间”等多因子的多维动态协同过滤推荐算法,并应用在当前的移动电商平台中。该算法根据“时间、项目、位置”的多维信息在动态的移动电商平台中实现精准推荐。实验结果表明,与单维和静态的代表性推荐算法进行对比,我们所提的算法在推荐准确性方面更为精准。
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：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/53905.html
