7个研究背景和意义示例,教你写计算机受限玻尔兹曼机论文

今天分享的是关于受限玻尔兹曼机的7篇计算机毕业论文范文, 如果你的论文涉及到受限玻尔兹曼机等主题,本文能够帮助到你

基于受限玻尔兹曼机的协同推荐算法研究

这是一篇关于推荐系统,受限玻尔兹曼机,协同过滤,协同排序,集成学习的论文, 主要内容为大数据时代和智能时代的快速发展促使推荐系统逐渐成为商业应用的“标准配置”,因其在提高商业利润和满足用户的个性化需求两方面的作用,推荐系统收获了来自研究界和工业界越来越多的关注。从不同的应用场景及其相关数据来划分,推荐系统包含若干个重要问题,如传统的协同过滤问题、单类协同过滤问题、协同排序问题和异构单类协同过滤问题等。另一方面,受限玻尔兹曼机模型自提出以来,因其结构的灵活性,加上相关学习算法的成熟,已经在诸多领域的诸多任务中发挥作用,但其在推荐系统领域的应用和研究只限于有限的若干个问题,在其它问题上尚不充分。本文以受限玻尔兹曼机在推荐领域中的应用为核心,研究了推荐系统的若干重要问题:(1)基于受限玻尔兹曼机的混合单类协同过滤。针对单类协同过滤问题,探究受限玻尔兹曼机模型与其它经典模型的互补性,具体而言,我们设计、使用混合的方法来进一步提升受限玻尔兹曼机模型的推荐效果;(2)基于受限玻尔兹曼机的协同排序推荐算法研究。针对协同排序问题,探究在此问题上受限玻尔兹曼机模型的有效利用。以充分训练数据的蕴含的信息为突破口,提出几种看待数据的思路,设计相应的基于条件受限玻尔兹曼机模型的推荐算法;(3)基于条件受限玻尔兹曼机的异构单类协同过滤算法研究。针对异构单类协同过滤问题,基于条件受限玻尔兹曼机此单一模型提出建模算法,既关注推荐效果,也重点考虑算法的应用效率。在针对以上各问题的研究中,我们开展了大量实验来验证所使用或提出的算法的有效性,在此实证基础上,得出诸多有益结论。

基于受限玻尔兹曼机的协同推荐算法研究

基于深度学习的电影推荐系统研究与应用

这是一篇关于推荐系统,深度学习,遗忘曲线,聚类,受限玻尔兹曼机的论文, 主要内容为协同过滤算法凭借其良好的性能在国内外知名电影及视频推荐网站中得到了广泛的应用。然而,随着算法的应用场景不断变化,协同过滤算法逐渐暴露出了许多缺点,这其中包括稀疏性、实时性、可扩展性、用户兴趣漂移、冷启动等问题。针对以上问题,在保障推荐质量的前提下,对其中的稀疏性、实时性、用户兴趣漂移等问题进行研究,并引入深度学习的知识,提出了基于深度学习的电影推荐算法。深度学习中的深度网络结构模型能够在保证推荐质量的前提下应对稀疏性问题,比传统协同过滤算法表现优秀,本文将深度学习应用在电影推荐方向,利用改进的基于时间加权的聚类算法与深度学习模型相融合,在解决用户兴趣漂移问题的同时解决了深度学习模型训练时间过长、训练难度较大的问题,保证了算法整体的实时性。参考热门推荐系统的设计与实现方案,以基于深度学习的电影推荐算法为核心,同时引入目前热门的微服务概念,搭建一个基于微服务架构的电影推荐系统,在保证整个系统的性能的基础上增强了系统的高可用性与可扩展性,使得整个系统能够稳定高效地为用户提供电影推荐服务。

基于缺失评分填充的恶意用户检测算法研究

这是一篇关于电子商务,欺诈检测,评分预测,用户行为特征,受限玻尔兹曼机,深度置信网络的论文, 主要内容为随着电子商务的迅速发展,电商平台已成为人们购物的主要渠道之一。对于商品与服务的信任度在电子商务平台的成功运营中起着举足轻重的作用,商品评价则已成为影响消费者购买决策的关键参考因素。因此,互联网商家会采用各种手段来提高自己的销售额和信誉度,雇佣水军就是其中一个常用手段。商家雇佣这些水军发布虚假评价以干扰用户对商品真实质量的判断,从而影响消费者的购买决策,以达到提高商品销量的目的,这不仅会降低消费者的购物体验,甚至会破坏公平的市场秩序。近年来水军的存在对商品评价系统的可靠性造成的危害日益严重。为了解决这个问题,研究人员提出了各种方法来检测水军,常见的一类方法是分析用户评分规律。学者们利用用户的评分信息构建评分网络,然后基于特定的假设来计算各个用户的信誉值,并将信誉值较低的用户视为恶意用户。然而,这类方法在稀疏数据集下的准确率有待提高,为此有必要提高稀疏数据下水军检测的准确率。为了改善稀疏数据下水军检测的效果,本文提出了一个识别恶意用户的通用框架,即填充低度用户的缺失评分以增加其对商品评价系统的贡献,从而提高当前水军检测算法的准确率。使用本框架检测水军的一般流程为:首先预测低度用户的缺失评分,然后将其扩展到现有的数据集中,接下来将扩展后的数据集应用到现有的水军检测算法上来识别水军。作为框架中预测低度用户缺失的评分值的方法,本文在第三章的实验中基于用户行为特征的相似性来预测缺失评分,紧接着在第四章的实验中分别使用受限玻尔兹曼机和深度置信网络来进行更准确的预测。在预测了各低度用户的缺失评分后,最后分别将各方法预测后的评分扩展到现有数据集上与水军检测算法相结合来识别水军。实验结果表明,填充低度用户的缺失评分可以有效提高基于信誉值识别恶意用户的水军检测算法的准确性质和鲁棒性。本文的主要贡献在于针对稀疏数据下恶意用户检测问题,提出了一个通过填充低度用户评分信息缓解数据集稀疏性以识别恶意用户的一般框架。本文提出的方法可以有效地降低误检率,并在不同类型的社交网络中展现出良好的鲁棒性。此外,在使用本文的框架缓解数据稀疏后,可以与除文中使用的其他基于信誉值的水军检测算法结合来识别恶意用户,具有较高的通用性。

基于协同过滤的推荐算法研究

这是一篇关于推荐系统,协同过滤,ALS,受限玻尔兹曼机的论文, 主要内容为推荐系统作为用户和信息的连接纽带,发挥出了巨大的作用。协同过滤作为推荐算法中应用最为广泛、最为成功的算法之一。本文将研究重心放在协同过滤算法上,主要是解决协同过滤面临的两大问题:数据稀疏、推荐准确度低。提出了对传统的协同过滤算法的改进方法以及基于受限玻尔兹曼机的协同过滤算法的改进,主要完成以下工作:1、为了提高目前协同过滤算法的推荐准确度,在基于内存的协同过滤中提出了新的相似度计算方法以及考虑评分预测方法对模型的影响,即均方差(MSD)相似度计算和4种不同评分预测方法,并在实验中验证了该模型推荐准确度有一定提升。2、矩阵分解能够有效地解决数据稀疏的问题,因此在本文中分析传统的基于奇异值分解的协同过滤算法,还引入了基于交叉最小二乘的协同过滤(ALS)。并利用Spark分布式平台进行实验,考虑模型各参数对于模型效果的影响,以及算法的比较。3、将深度学习与推荐系统结合起来,分析了多种基于受限玻尔兹曼机的协同过滤算法,在此分析基础上,提出了改进的融合的实值RBM模型,借助python语言中的Tensorflow框架进行验证。实验结果表明,在一定程度上提高了预测精度。