分享6篇关于融合策略的计算机专业论文

今天分享的是关于融合策略的6篇计算机毕业论文范文, 如果你的论文涉及到融合策略等主题,本文能够帮助到你

文章推荐系统关键算法设计与实现

这是一篇关于推荐系统,Spark,Flink,融合策略,推荐服务,海量数据的论文, 主要内容为互联网时代,生活节奏加快,在线浏览与碎片化阅读成为人们日常获取信息的主要渠道之一。然而,当前大数据背景下的海量信息无法满足用户快速获取高质量、高价值信息的需求,因此文章推荐系统应运而生。本论文通过对在线教育平台业务进行大数据统计分析和信息搜集,设计并实现了一个文章推荐系统:基于个性化推荐技术对拟推荐结果进行分类排序,从而得出用户兴趣偏好,最终把推荐结果推送给相应用户。在推荐系统中,当用户以及推荐物品数目增大到一定程度时,将遇到可扩展性、冷启动、实时性等挑战。为解决这些问题,本论文设计并实现了文章推荐系统的召回算法、动态加权特征融合算法、排序算法,主要创新性工作总结如下:(1)设计了基于时间衰减的用户行为打分机制,以此构建高质量的用户画像,提高了推荐结果的准确性。(2)采用了多路召回策略,包括协同过滤召回、内容召回、实时计算召回、热门文章和新文章召回。实现时,离线模块采用Spark计算引擎,实时模块采用Flink计算引擎,提高了推荐系统的时效性和用户满意度。(3)提出了动态加权特征融合算法,将召回的候选集融合后作为Wide&Deep算法的输入,以此训练排序算法模型。相较与未使用动态加权特征融合算法,改进之后的Wide&Deep算法准确率提高了 11.2%。综上,论文设计并实现了文章推荐系统,提出了动态加权特征融合算法,结合Wide&Deep算法作为推荐系统的推荐模型,其结果优于其他传统特征融合算法。采用优化后的模型作为线上使用模型,最终达到千人千面的用户推荐效果。

基于三支聚类的组协同推荐系统研究及应用

这是一篇关于群组推荐,三支聚类,融合策略,成员偏好,推荐系统的论文, 主要内容为网络社交型应用的普及促使人们越来越多地以多个用户通过群组的形式一起参与活动。相较于传统单用户推荐的方式,群组推荐为了充分满足整个群内全部成员的兴趣与偏好要求,需要尽量减少组间成员之间的冲突。聚类作为一种将不同类别的对象分类成多个类似对象的手段,其目的就是将不明确信息分类,将不同类的信息根据特定需求划分到不同的群体,因此聚类算法可以较好的适用于群组推荐。常见的群组推荐过程采取的聚类技术往往是一种硬聚类的方式,难以解决群组内用户边缘推荐问题,导致处于类簇边缘用户与聚类中心用户相似度较低。若以此进行群组划分,组内成员偏好会产生较大分歧。基于此,本文提出基于三支聚类组协同推荐策略以降低组成员偏好分歧,提高组推荐准确度并将该模型如何应用于在线教育题库推荐系统展开研究。本文主要研究内容如下:(1)回顾了推荐算法领域相关知识,对本文涉及的相关技术与方法做出了详细的阐述。包括推荐算法原理、硬聚类推荐算法、三支决策与三支聚类、用户偏好提取方法、用户相似度构建,同时对推荐算法评价指标MAE、准确率、召回率做出了详细介绍。(2)针对基于硬聚类推荐算法在组成员偏好融合时分歧度高、推荐准确率低的特点,提出一种基于三支聚类的组协同推荐策略模型(3WC-CF),借助三支聚类的基本思想,通过改进的TF-IDF提取用户偏好,以成员偏好数据为特征,依据成员和簇类的中心距离进行三支群组划分,针对不同的域采取不同的推荐策略,从而提高组成员之间的推荐准确率。本文将3WC-CF模型在Movielens 1M数据集上与其他模型做对比,实验结果显示,3WC-CF模型可以提高推荐精度,并且在其他评价指标上也表现最佳。(3)基于3WC-CF模型,设计并实现了青少年在线教育题库推荐系统。系统根据青少年的学习偏好与做题路径,将具有相同行为的用户进行三支聚类群组划分,对处于相同群组的用户进行题库推荐操作。本文通过对三支聚类、群组推荐算法的研究,并在在线教育平台进行应用,将有助于推动网络教育平台的发展。

基于用户签到数据的餐饮推荐系统研究与应用

这是一篇关于群组推荐,融合策略,偏好交互,协同过滤的论文, 主要内容为移动互联网的飞速发展促进了很多行业的经营模式改革和发展,很多传统行业也逐渐加入到互联网中,其中餐饮行业就是其中之一。但促进发展的同时也带来了问题——信息超载,用户面对着这些过载的信息,很难快速找到自己想要的信息,进而对信息的有效使用会降低。如何让用户在这些海量的信息中快速找到自己感兴趣的餐厅,这正是餐饮推荐需要解决的问题。由于进行餐饮活动大部分是以群组的形式进行的,而目前大部分餐饮推荐系统,比如我们熟知的美团点评等都是对单个用户进行推荐的,针对这个问题,本文对群组用户的餐饮推荐展开了相关研究,在群组推荐算法的基础上进行了改进,提出了一个基于用户签到数据的群组餐饮推荐算法(GCRA-BC),并对群组餐饮推荐系统进行了设计与实现,详细内容如下所示:(1)基于用户签到数据的群组餐饮推荐算法(GCRA-BC)通过用户的签到数据分析用户的偏好信息,在群组偏好融合时采用了加权混合融合策略进行群组推荐,以将群组推荐效果达到最优化,根据用户活跃度不同给用户分配不同的权重,活跃度用签到次数反映,签到次数越多代表用户越活跃,然后计算群组成员间的分歧程度,通过分歧度的不同而选取不同的偏好融合策略进行群组推荐。考虑到群组用户之间的交互行为会给群组推荐带来影响,对群组推荐算法进行了进一步改进,将用户之间的偏好交互融入进上述推荐算法中,最后对本文提出的算法在数据集Yelp上与不同的算法进行了比较实验,实验结果显示GCRA-BC算法具有更高的准确性。(2)餐饮推荐系统的设计与实现在验证了算法的有效性后,本文设计并实现了一个针对群组用户的餐饮推荐系统,将提出的改进算法运用于餐饮推荐系统的推荐模块中,通过系统推荐模块对群组用户进行餐饮推荐服务。系统验证了本文提出的改进算法在现实生活中也同样具有意义。该论文有31幅图,表17个,参考文献64篇

基于对角特征金字塔和类间决策机制的电路缺陷检测

这是一篇关于PCB缺陷,焊接缺陷,对角特征金字塔,类间决策机制,融合策略的论文, 主要内容为电子元器件和电路板是电路系统的基本组成部分,广泛应用于电脑、手机、手表等电子产品中。为方便携带,电子产品的微型化一直以来都是一个发展趋势。目前一些电路板布线密度已经达到了微米的数量级;电路板元器件变得越来越小;电路场景变得越来越复杂。这些因素导致电路板及焊接缺陷检测难度越来越大。目前,一些厂商主要用AOI检测这些电路缺陷以防止有缺陷的电路板进入到下一道生产工序。但AOI检测存在漏检率、误检率都较高的问题。本文针对AOI检测存在的不足,设计基于深度学习的缺陷检测方法,实现PCB缺陷及焊接元器件缺件与偏移缺陷的检测。论文完成的主要工作如下:1、针对PCB的微小缺陷检测,设计了轻量高效的缺陷检测网络(A Lightweight and Efficient Defect Detection Network,LEDD-Net),并提出了用于主干网络的特征融合策略——对角特征金字塔(Diagonal Feature Pyramid,DFP)。对角特征金字塔通过消除自上而下的路径和去除一些非原始的同尺度特征来减小模型尺寸,以低的计算代价去融合主干网络的大特征图以及更原始的特征。LEDD-Net的颈部网络引入SPP去融合最低尺度的特征,并对最低的两个尺度进行融合——特征拼接和特征求和。另外,设计了一种自适应的损失函数来调整对小目标检测的敏感度。基于公开的PCB缺陷数据集,对比实验表明LEDD-Net比各种主流PCB缺陷检测算法具有更好的m AP和更高的速度,消融实验表明对角特征金字塔比其他融合策略有更低的计算代价和更高的m AP。2、针对焊接缺件与偏移缺陷检测,设计了一种轻量级网络模型,并提出了类间决策机制用于解决相似类的识别混乱问题。类间决策机制对网络模型的检测结果进行再决策,其原理是衡量检测为缺陷的样本与正常类型及缺陷类型的关联程度,关联程度是通过边界方程来判断的。如果两个类的置信度在边界方程约束范围外则判定类别属于置信度大的类,否则判定类别是指标要求更高或者实际指标表现过低的类。以上整个判断过程在设计的类别判别方程中进行。本文将类间决策机制应用到企业提供的焊接缺陷(缺件与偏移)检测中,在召回所有缺陷的前提下对408075个正常样本进行测试,可使误检的数量从2578个减少到17个,缺陷的精准率上升了74.44%,误检率降低了75.89%。3、设计了一种数据平衡策略来解决样本不平衡问题。针对缺陷样本稀少、正常样本过多的情况,考虑到数据构成复杂,先对正常样本和缺陷样本分别聚类,然后对每个类的正常样本使用样本剔除算法来减少正常样本,对每个类的缺陷样本使用扩增技术来扩增缺陷样本,尽量保证每个类的样本数量相对平衡。将此方法应用到企业提供的不平衡的焊接数据集中,结合类间决策机制,在验收数据集上实现了99.9%的缺陷召回率和65.0%的缺陷精准率。其中一个课题依托某企业委托研究项目——“基于深度学习模型的AOI焊接缺陷检测技术研究”。