11个研究背景和意义示例,教你写计算机上下文论文

今天分享的是关于上下文的11篇计算机毕业论文范文, 如果你的论文涉及到上下文等主题,本文能够帮助到你

基于用户上下文与交互行为的社会化推荐系统研究

这是一篇关于社会化推荐系统,上下文,交互行为,信任网络,特征选择,因子分解机的论文, 主要内容为社会化推荐系统是为了缓解传统推荐系统的数据稀疏性与冷启动问题所提出的推荐方法。随着社交平台的流行,用户的社会化信息蕴藏着丰富的挖掘价值,因此,将用户的社会化信息作为输入的社会化推荐系统受到广泛关注。社会化推荐系统的主要业务流程包括构建用户信任网络和生成推荐两部分。完善的信任网络可以全面地反映用户间的关系并且可以有效缓解数据稀疏和冷启动问题。本文提出了“基于用户交互行为的信任网络构建模型”(简称SocPro),该模型通过用户间的交互行为以及信任传播机制预测用户的全局信任度;通过引入时间衰退因子,结合用户间的直接交互行为和用户间相似度,得到用户间的直接交互信任度和相似信任度,从而构建有向带权信任网络。本模型克服了“基于用户行为的信任网络构建模型”(简称SocTrust)在预测用户信任关系时,只考虑用户间是否存在信任关系而忽略了信任传播影响以及在预测时将用户的所有历史信息同等看待的缺点。本文通过矩阵分解中基于贪婪的特征选择算法选择具有良好交互作用的特征,从而避免因子分解机在隐特征向量学习过程中引入新的噪音并达到提高预测精度的作用,克服了传统因子分解机在考虑特征交互作用时组合了一些无意义的交互特征的缺陷。本文最后利用实验验证了SocPro模型的合理性,并与SocTrust进行对比。信任预测实验表明,SocPro具有更好的信任预测能力;推荐生成实验表明,本文所提出的推荐生成模型在推荐精度上较传统因子分解机、矩阵分解等具有更好的表现。

在线网络中推荐系统相关算法的研究

这是一篇关于推荐系统,社交网络,物品关系,频繁N元概念,标签,上下文的论文, 主要内容为随着互联网的快速发展,网络上的信息也急剧增长,我们很难快速准确地获取有用的信息。因此,我们急需一种信息过滤技术来找出我们想要的内容。面对信息过载问题,推荐系统经过不断的完善与发展,已经越来越受到人们的关注。本文针对在线网络中不同类型的应用,提出了一系列有针对性的推荐算法,主要的研究成果和创新点在以下几个方面：(1)提出了基于加权的社交网络和物品关系的方法。在推荐系统中,协同过滤是最流行的方法之一,该方法利用了用户的历史行为数据来进行推荐。虽然协同过滤已被广泛运用,但仍没有很好的解决诸如冷启动用户等问题。随着社交网络的兴起,一些基于社交的方法也慢慢受到大家的重视。这些方法都基于一个假设,那就是在社交网络中,用户的爱好很容易受到其信任朋友的影响。但是这些基于社交网络的方法并没有区分对待不同朋友,而在现实生活中,我们更愿意相信亲密朋友的意见。基于加权的社交网络和物品关系的方法可以有效的解决上述问题。在基于社交网络算法的基础上,我们不仅考虑了信任朋友的影响,还对不同的信任朋友赋予不同的值,其权值由用户之间的相似度来代替。另外,由于被同一个用户所喜欢的物品通常具有一定的相似性,因此我们还考虑了物品之间的关系。由于冷启动用户不仅行为较少,而且信任关系也很少,因此利用物品之间的关系也可以缓解冷启动用户问题。在实验中,我们利用Epinions数据集来对模型进行验证。从结果中可以看出本文的模型比其他方法在不同的设置上都要好,尤其是对于冷启动用户。(2)提出了基于频繁N元概念的方法。在社交网络中,许多用户都会通过给物品评分或者建立标签来达到分享的目的。因此,在用户、物品、评分、标签以及其他数据中存在一些隐藏的语义关系。以前大多数的工作只集中在或者等三元关系上,但三元关系是远远不够的,其丢失了许多重要的信息,不能提供准确的推荐结果。基于频繁N元概念的方法充分利用了不同的数据,挖掘出其中隐藏的语义关系。如果有标签数据,我们把用户行为组成一个四元组;如果没有标签数据,我们联合上下文信息和用户特征,组成一个五元组。在实验中,我们利用MovieLens数据集来对模型进行验证,从结果中可以看出本模型比其他方法在准确率上要好得多。

基于上下文的微服务自适应调用技术研究

这是一篇关于微服务,实例选择,消息队列,上下文,自适应调用的论文, 主要内容为随着软件系统的不断更新和迭代,软件系统变得越来越庞大和臃肿,这为系统后期的开发和维护带来了很大的不便。为了解决这一问题,业界提出了微服务架构的概念。微服务架构将系统拆分为多个微服务,每个微服务实现独立的业务功能。但是,由于微服务是通过集群的方式进行部署的,同一个微服务对应多个微服务实例,这就给微服务请求的响应和微服务的调用执行带来了困难。本文从服务请求队列的调整和微服务实例的选择等方面对微服务调用技术进行了深入研究,目的是提高微服务实例选择的准确性和微服务的执行效率,进一步实现高质量的微服务应用。本文在对微服务、上下文以及消息队列等理论和技术进行分析和研究的基础上,对基于上下文的微服务自适应调用技术进行了深入研究。首先,设计了一个微服务自适应调用框架,该框架给出了微服务实例自适应调用的整个过程,达到了微服务实例的准确调用、用户请求的正确发送以及根据服务器的实际负载实时调整所要调用的微服务实例的目的。提出了一种基于消息队列的微服务请求队列调整算法,并将其应用到微服务自适应调用框架中,达到了微服务之间通信的异步性和微服务之间的解耦,并且可根据服务器的负载情况来调整微服务请求队列内部的请求顺序,提高了服务执行效率。同时,提出了一种基于上下文的微服务实例选择算法,该算法综合考虑了 Web服务中的QoS信息和用户上下文信息,同时还考虑了微服务集群中的服务器负载信息,结合QoS、用户上下文以及服务器负载这三类上下文信息来动态获取用户偏好权重向量,从用户访问的历史全局考虑各个上下文对用户所需服务实例的影响,使得选择结果平衡了主客观因素,提高了服务实例选择的准确度和服务执行效率。接下来,对基于上下文的微服务自适应调用框架进行了实现并将本文提出的微服务请求队列调整算法和微服务实例选择算法与其他的一些相关算法进行了实验对比。最后,结合一个微服务部署及调用的实际应用案例验证了本文研究的基于上下文的微服务自适应调用框架和算法的有效性及可用性。

基于特征表示的推荐算法实践与研究

这是一篇关于推荐系统,特征表示,上下文,隐式反馈的论文, 主要内容为推荐系统作为一种信息过滤工具诞生至今已有20余年,推荐算法的应用场景亦早已不限于电商领域,转而在诸多关联人和信息的领域发挥作用。早期的推荐算法多采用单一的用户物品交互数据,基于上下文信息的推荐算法致力于通过额外场景信息的引入来对传统推荐算法进行改良。受神经网络和矩阵分解算法普及的影响,特征表示的算法日新月异。本文致力于通过基于上下文的特征表示,在隐式反馈数据上引入上下文信息以提升推荐精度,具体包括三方面工作:·归纳总结并实现常见的基于特征表示的推荐模型。具体地,针对引入了上下文的隐式数据推荐场景,改进并实现矩阵分解和因子机算法;因推荐中神经网络模型应用较少,且一般只使用单一评分数据,设计了一种可引入多源特征数据的DeepRec算法。·在隐因子模型基础上,提出一种基于上下文信息的矩阵分解方法(Context Aware Matrix Factorization.,CAMF)。建模非线性的特征交互关系,同时又缓解数据稀疏性。引入按对排序学习框架,更加贴近基于隐式反馈数据的Top-K推荐场景,提升相关推荐算法性能。·针对基于上下文推荐的场景,基于Stacking模型融合框架,定制了一种不同深浅层次的多模型融合框架(Joint-training)。相比传统模型集成方法,在不降低预测准确率的前提下,更加的轻量快速。上述三方面的工作始于对APP推荐问题的研究,但不限于APP领域。为此,本文在IJCAI SocInf 2016推荐比赛数据上进行实验,以进一步验证本文相关工作在基于上下文的推荐场景中,具有一定的通用性。

基于上下文的流式推荐算法研究

这是一篇关于流式数据,矩阵分解,上下文,信息增益,流式推荐算法的论文, 主要内容为推荐系统基于用户历史数据为用户提供个性化建议,是克服信息过载的一种有效手段。随着推荐系统的日益普及,推荐系统中数据的时序性、连续性、高速性和时变性等特点使数据满足流式性质,对传统的基于静态数据构造的推荐系统提出了巨大的挑战,而基于流式数据的推荐系统能够更加有效地处理流式性质的数据。基于矩阵分解的流式推荐算法不仅可以解决传统矩阵分解算法无法处理数据稀疏性的问题,并且能够解决数据流环境下的推荐问题。最近的研究中,基于马尔科夫矩阵分解的推荐算法(MFMP算法),将矩阵分解技术与马尔科夫相关知识相结合,可以实时更新系统中用户和项目隐特征向量。然而,MFMP算法仍存在以下问题:首先,随着时间的推移,MFMP算法无法处理系统中产生的新用户、新项目;其次,算法未考虑上下文信息对用户偏好的影响。针对以上问题,本文进行了如下几点研究。(1)首先,本文针对推荐系统中不断产生的新用户和新项目,提出了一种面向新用户和新项目的马尔科夫矩阵分解推荐算法(Markov Matrix Decomposition Recommendation Algorithm for New Users and New Items,简称 iMFMP)。iMFMP 算法解决了在没有任何历史数据的前提下,如何有效获取新产生用户和新产生项目的隐特征向量的问题。最后,通过基于Movielens-1M数据集的两组对比实验,验证了iMFMP算法的评分预测性能以及推荐性能,证明了算法中获取新产生用户和新产生项目隐特征向量方法的有效性。(2)为了验证用户对项目评分时所处的上下文环境是否会对用户的偏好产生影响,本文在iMFMP算法的基础上提出了一种基于上下文的流式推荐算法(Streaming Recommendation Algorithmbasedon Context,简称 C-iMFMP)。为了从嘈杂的上下文中有效选取与评分相关的上下文信息,首先在C-iMFMP算法中提出了一种基于信息增益的上下文信息与评分相关性分析方法,在此方法的基础上将选取的上下文信息分为主观上下文和客观上下文两类,并依次将两类上下文信息与算法相融合。最后,基于LDOS-CoMoDa数据集的两组对比实验显示,C-iMFMP算法无论是评分预测性能还是推荐性能均优于其余对比算法。

基于上下文的信息推荐系统研究

这是一篇关于上下文,推荐系统,感性工学,文本挖掘,主题模型的论文, 主要内容为随着大数据时代的到来,“信息过载”问题愈发严重,为了解决信息提供者与信息使用者需求良好匹配的问题,互联网智能化产品——推荐系统应运而生。本文基于上下文的信息推荐系统(Context-Aware Recommender System,CARS)研究是以传统推荐系统为基础,是它的拓展与延伸。文中给出的基于情感上下文因素的信息推荐模型分别通过语义差分法制定态度量表和挖掘信息产品文本评论两种常见方式提取用户情感偏好,并在此基础上将用户情感因素融入到推荐模型中,使得推荐系统带来更高的精确度和更好的用户满意度。主要研究工作如下:1.基于用户感性语义上下文信息推荐方法研究。针对新产品推荐过程中的评价匹配问题,给出了一种面向用户特殊需求偏好的感性推荐方法。首先通过语义差分法和语义变量设计问卷获得待估新信息产品的感性信息数据以及在用户不同偏好关系下的感性目标可能性分布;然后提出了以用户感性需求为导向的推荐效用函数,并运用混合加权平均算子对各方案匹配信息集结计算;最后,依据效用函数值大小对各方案进行排序。尤其针对用户特殊需求给定时,该模型效用函数可以计算出新产品与用户特殊偏好的匹配程度。并将其应用于智能家电产品方案的推荐优选中,实例计算表明,本研究给出的方法具有可行性和实用性。2.用户情境感知的上下文信息推荐系统研究。探索从文本评论信息中挖掘用户情境/情绪上下文信息,并用于上下文推荐模型产生更好的系统推荐结果。首先通过对用户需求描述中上下文的挖掘,确定用户当前的上下文。其中上下文推理部分是针对京东爬取的书籍评论数据集采用Gibbs抽样训练L-LDA模型得到一个分类器,选取被分配最高主题概率的类别作为需求描述中用户当前的上下文。同时,运用k-近邻算法/协同过滤算法预测用户最适合的物品项i,得到传统评分预测值。当给定用户上下文时,计算用户和物品的匹配度,选择最符合用户当前上下文的物品项。结合传统预测评分值加权融入上下文状态匹配度根据这两部分结果计算得到效用值,根据值大小对各物品项进行排序,得到最优推荐项。最后用爬取的京东书籍测试数据集验证了方法的可行性和有效性。本文围绕情感这一上下文因素对推荐系统影响进行了探索与研究,分别以两种常见方式提取用户情感偏好并建立对应的推荐效用函数,最后给出了模型验证。