给大家分享7篇关于自组织神经网络的计算机专业论文

今天分享的是关于自组织神经网络的7篇计算机毕业论文范文, 如果你的论文涉及到自组织神经网络等主题,本文能够帮助到你

基于协同过滤的推荐系统算法研究与实现

这是一篇关于协同过滤算法,推荐系统,自组织神经网络,K-means,改进后的K-means的论文, 主要内容为随着互联网的蓬勃发展,互联网信息呈爆炸式增长,网上的信息资源越来越丰富,面对这么多海量的信息,用户在查找自己感兴趣特定的信息或者购买自己喜爱的商品时候会花费大量的时间,这些过载的信息着实给用户带来了新的困扰,面对这种情况下,如何找到用户所需的内容信息,如何在特定的时间和特定的地点为用户提供个性化服务已经变得越来越急迫,随后有很多类型的推荐系统产生,其中协同过滤推荐系统应用最为广泛。本文开始先介绍了推荐系统的研究现状,之后介绍了推荐系统和节目推荐系统中一些常规的算法,然后简单的介绍一种推荐系统的框架结构模型,然后介绍了本文研究的重点,推荐系统中算法的改进和相似性度量方法的改进：在数据稀疏条件下,因为用户-项目的评分数据比较稀疏,用户间共同评分的对象较少,如果用传统相似性度量方法来计算的话,使得系统推荐的准确性降低,因此我们提出了改进调整后的余弦相似度的方法,实验证明该方法能够有效的避免用户间共同评分的对象稀少而造成的问题,从而能够有效的提高系统的推荐准确性。本文主要研究推荐系统中协同过滤算法,我们提出了一种改进推荐算法,它是用自组织神经网络(SOM)优化改进后IK-means聚类算法。整个算法分为两个阶段,在第一个阶段,用SOM聚类得到初始的簇和每个簇的中心点,然后在第二阶段,第一步首先要改进基本的K-means方法,用我们改进后的调整后的余弦相似度来计算用户与聚类中心的点相似度大小,当计算聚类的平均值的时候,仅仅考虑所有给项目评分的用户；然后我们将第一阶段得到的聚类中心和数目作为改进后K-means的初始输入值,IK-means得到合适的初始值后将会的得到比较精确的聚类结果。实验结果证明,与没有用SOM优化的基本的K-means,改进的IK-means相比,优化后的算法提高了聚类精确度,与常用的slope one算法相比,提高了推荐的精确度,更适合应用在协同过滤推荐算法中,从而大大提高推荐的正确度。

上海应用技术学院学生评价系统的设计与实现

这是一篇关于自组织神经网络,学生评价,ASP.NET,数据采集的论文, 主要内容为在现代的大学教育中,如何使用一套客观可行的方法来评价学生是每个高校所面临的问题。而单纯辅导员评价学生的方式往往存在着很大的主观因素,同时也没有一套很好的方法可以用来跟踪学生以及引导学生。为了解决以上问题,本文提出了一整套的解决方案,研究了学生评价和跟踪体系的发展现状,以学生状态为中心,分析了构造系统所涉及的各个方面,其中主要包括了数据可信性保护、数据指标选取和使用的算法,从需求获取到具体实现等各个方面。提出了基于自组织神经网络(SOM)的新型状态跟踪与分析评价系统的设计方案与具体实现。本文的研究重点包括基于自组织神经网络算法的技术研究与算法整合,基于ASP.NET安全框架的信息安全与权限保护,基于神经网络算法的结果表示与分析这三个方面。首先对系统设计开发采用的关键性技术,包括人工神经网络、自组织神经网络算法SOM、Provider与依赖注入IOC进行详细的分析与研究,为设计开发奠定坚实的理论基础。然后进行详细的需求分析和建模,明确上海应用技术学院学生评价考核的业务流程与规范,确立明确的需求。然后分别从系统设计与实现的角度进行系统的概要设计和详细设计,建立系统开发的技术方案路线和系统设计框架,研究设计了自组织神经网络算法的实现以及学生类群的类型识别方法。最后详细论述学生评价系统实现,给出了系统运行的一些窗口和设计代码,然后通过状态模拟等方法对运行结果进行详细的测试分析,依据科学的数据对学生的状态分析和评价,证实了应用于教育系统中的自组织自学习的智能神经网络是可行的且有效的。由于传统的自组织神经网络本身的效能,并不能完全满足本系统的需要,故使用了称为“逆向分析”的思想来帮助分析学生类群所含的内部意义。最后,对本系统开发的项目进行了总结,分析了该系统的优点以及存在的缺点,并对其提出了改进的方案和措施。然后对未来提出了美好的展望。

基于主题建模和分层隐变量模型的新闻推荐系统研究

这是一篇关于新闻推荐系统,主题建模,自组织神经网络,分层隐变量模型的论文, 主要内容为本文基于新闻具有生命周期较短、访问记录稀疏、文本表示复杂的特点,构造了一个基于主题建模和分层隐变量模型的新闻推荐系统。此系统使用的推荐模型融合了基于内容的推荐算法和基于协同过滤的推荐算法,以混合的推荐算法为用户进行新闻推荐。此模型的构造主要包括了三个模块:新闻主题建模、新闻聚类、分层隐变量模型。此模型基于LDA算法对新闻进行主题建模,获取新闻的主题词分布和主题概率矩阵,基于新闻的主题概率矩阵,使用自组织神经网络对新闻进行聚类,自组织神经网络具有较好的可视化效果,可以有效确定新闻聚类的类别数。另外,此模型通过获取用户对新闻推荐系统的访问日志,构建用户对新闻的伪评分矩阵,将用户对新闻稀疏的评分矩阵分解成两个低维矩阵,然后使用用户的隐式特征、新闻主题特征和两个低维矩阵逼近原始评分矩阵。此模型与传统的隐变量模型中的矩阵分解区别在于,本模型将新闻主题特征和用户隐式特征线性融合到隐变量模型中,引入门限自回归思想,将一个线性融合的隐变量模型,分解成多个线性融合模型。并且,在模型中加入多样性正则化项,提高模型泛化能力。本文以均方根误差为评价指标,通过线下实验对比了文中构建的基于新闻主题建模和分层隐变量模型推荐算法,相对于其他矩阵分解、协同过滤推荐算法的性能。通过实验发现,本文构建的基于新闻主题特征的分层隐变量模型在厦大新闻网数据集上,相对于其他算法降低了 10%-20%的均方根误差。本文还详细介绍了新闻主题数选取、新闻聚类类别选取和隐变量模型参数选取的过程,寻找适用于厦大新闻网数据集的最优模型参数。

基于用户行为分析的多样化推荐算法研究

这是一篇关于推荐系统,兴趣多样性,矩阵分解,自组织神经网络的论文, 主要内容为随着互联网技术的不断发展,电商平台以及在线社交平台的迅速崛起使得用户与外界的交互越来越频繁。推荐系统可以根据用户的历史行为和兴趣,为用户推荐个性化的内容。现有推荐系统不仅需要考虑用户的兴趣,而且需要考虑推荐内容之间的差异性和多样性,为用户提供更加丰富和多元化的服务,提高用户的满意度。推荐多样性算法主要通过对用户多样化的兴趣进行研究,实现多样化的产品推荐。当前多样化推荐算法主要针对于重排列表以及优化目标函数进行研究,一定程度上提高推荐结果的多样化。然而,已有方法忽略了差异化的用户个性化兴趣以及对群体用户相似兴趣的区分,缺乏对用户兴趣多层次类别的研究。本文将用户的个体特征信息以及群体特征信息差异性引入到推荐算法中,提出了融合多样性正则项的矩阵分解推荐算法以及融合协同过滤自组织神经网络的多样性推荐算法。主要研究内容如下:(1)通过考虑用户的个体特征信息,提出了融合多样性正则项的矩阵分解算法。首先,根据用户信息、产品信息以及用户与产品之间的交互记录计算产品之间的类别差异程度,以及用户自身的兴趣多样性程度,使用类别差异分数以及用户兴趣多样性分数构建多样性正则项因子,调整用户对产品不同类别的评分;进而,通过用户兴趣多样性程度学习用户的隐向量矩阵,并使用产品之间类别的差异程度对每个产品建模潜在的因子表示,形成产品隐向量矩阵;最后,使用用户和产品的隐向量矩阵预测用户对于产品的评分。实验证明,引入多样性正则项因子的矩阵分解算法在CC@10和ILD@10指标上,与传统算法相比,在豆瓣Movie数据集上分别提升了10.8%和7.2%,在Book数据集上分别提升了7.9%和6%。可以较好的提升推荐结果的多样性,提高用户满意度。(2)通过考虑用户的群体特征信息,提出了融合自组织神经网络的多样性协同过滤推荐算法。首先,通过用户对产品的评分构建用户-产品、用户-产品类别评分表,进而采用协同过滤算法得到基于评分相似用户的产品推荐列表;其次,将用户向量输入到自组织神经网络中聚类相似用户群,利用相似用户群查找目标用户可能感兴趣的产品类别,形成多样化推荐列表;最后,融合两种推荐列表形成满足多样性和准确性的产品推荐结果。实验表明,基于自组织神经网络发现的相似用户群可以增强目标用户的兴趣多样性,有效提升推荐结果的多样化,与传统算法相比,CC@10和ILD@10指标在亚马逊Music数据集上性能提升了1.6%和1.9%,在Beauty数据集上性能提升了1.3%和1.4%。

基于功效特征聚类的专利推荐方法研究

这是一篇关于专利聚类,知识增强语义表示,自组织神经网络,跨领域,推荐系统的论文, 主要内容为近年来,随着专利数量的日益庞杂,从海量专利中获取有效信息已愈发困难,在此背景下,用于挖掘有效信息的推荐算法已逐渐应用到专利领域中。然而,作为推荐算法中的关键技术,文本聚类算法在推荐系统的应用过程中存在一定不足。首先,作为聚类算法的输入表征,功效特征在专利中十分重要,如何精确提取专利中的功效信息是目前面临的挑战。其次,在专利聚类分析方面,基于IPC分类分析的方法是粗粒度的,无法与专利内容紧密结合,不能实现跨领域的专利聚类分析。最后,在专利推荐方面,如何解决推荐中的冷启动问题以及专利的精确推荐仍是一大挑战。本文针对以上问题进行了如下工作:(1)提出了一种知识增强语义表示(ERNIE)和卷积神经网络(CNN)相结合的模型(FEI-Joint),通过该模型提取专利文献的功效特征。在ERNIE层中加入功效词表对训练结果做修正,CNN层中采用动态更新权重的训练方式,最终获得功效特征矩阵。(2)为实现对专利功效特征聚类,提出一种具有早期淘汰策略与类合并思想的自组织神经网络(ERCM-SOM)。针对SOM算法效率与准确率较低的问题,该算法在寻找获胜神经元的过程中提前淘汰掉不可能获胜的神经元,使聚类效率提高。另一方面,在聚类的最终阶段利用距离与密度相结合的类合并算法提高聚类准确率。(3)基于上述的功效特征聚类算法,结合用户注册时填写的用户信息以及用户的浏览记录,引入时间迁移模型,构建了基于功效特征聚类的协同过滤专利推荐模型。该模型为用户提供了具有实时性的专利推荐,并实现基于功效特征聚类的专利推荐方法的应用。本文对FEI-Joint模型、ERCM-SOM算法和改良推荐算法的有效性以及整合后的推荐服务可用性分别进行了实验。实验证明,与TF-IDF、LDA、CNN在特征提取后的聚类效果相比,FEI-Joint模型在F-measure方面明显提高。ERCM-SOM算法与KMeans、SOM算法相比F-measure值提高的同时,时间较SOM算法有明显缩短。对比IPC的专利分类,采用基于功效特征的聚类方法可实现跨领域的专利聚类效果,为设计者借鉴其他领域的设计方式奠定基础。在结合功效特征聚类和加入时间迁移模型的推荐模型中,各项指标均得到一定的提升,证实了其良好的推荐效果。