云边端场景下基于模型融合的推荐方法研究
这是一篇关于云计算,边缘计算,云-边-端架构,模型融合,群组推荐,个性化推荐的论文, 主要内容为近年来,电子商务、短视频等应用的蓬勃发展,推动了推荐系统的快速革新。推荐系统通过挖掘用户历史交互日志和画像信息,利用推荐模型为用户推荐个性化的项目。然而,目前主流推荐系统一般遵循云计算为中心的架构,用户的服务请求全部发送给云服务器,由云服务器完成建模和计算全过程并将推荐结果返回给用户。随着用户日志规模越来越大,数据模态越来越多样,云服务器计算负载越来越大,网络时延越来越高,影响了用户的体验。此外,就推荐方法而言,目前大部分的推荐方法主要关注挖掘用户的显式偏好,而忽略用户的隐含偏好信息,并缺少对用户的微观行为信息的探索,使得推荐效果欠佳。针对上述问题,本文基于模型融合方法对云边端场景下推荐方法展开研究,主要工作如下:针对传统的以云计算为中心的推荐系统架构存在的网络时延高,云服务器负载大的问题,本文提出了一套面向云边端场景的推荐系统架构。该系统架构主要分为三层,首先部署在云服务器的群组推荐系统通过融合区域用户特征偏好实现群组推荐,并将推荐结果缓存在边缘服务端;然后部署在边缘服务器的个性化推荐系统通过挖掘目标用户的微观行为特征将缓存项目择优推荐给用户;最后由用户终端呈现推荐结果。得益于以上分阶段的推荐模式,用户大部分的请求都将在边缘端得到满足,解决了传统模式云服务器负载大,网络时延高的问题。针对传统的以云计算为中心的推荐方法难以融合区域用户特征偏好的问题,本文提出了一种面向云服务端基于特征偏好融合的群组推荐方法。考虑到云-边-端场景的特殊性,将边缘服务器覆盖的用户看成特殊的群组,通过融合知识图谱嵌入技术、注意力机制和循环神经网络,挖掘区域用户个性化偏好和群体融合偏好实现群组推荐,并将推荐结果缓存在边缘节点。解决了传统的云计算为中心的推荐方法难以融合区域群组偏好,实现群组推荐问题。针对传统的个性化推荐方法注重用户短期偏好忽略用户长期偏好和微观行为特征的问题,本文提出了一种面向边缘服务端基于微观行为挖掘的个性化推荐方法。该方法首先引入自注意力网络挖掘用户偏好依赖关系,然后整合循环神经网络建模用户动态偏好进化表示,并基于相似理论融合用户的长短期偏好。此外,该方法充分考虑并量化了用户不同微观行为所蕴含的偏好强度,融合行为偏好实现推荐。实验结果验证了该推荐方法的有效性。基于以上的理论和方法,本文构建了云边端场景下基于模型融合的推荐原型系统。通过需求分析、概要设计、详细设计、具体实现等步骤,详细介绍了该原型系统的实现过程,实现了理论和应用的结合,并通过仿真实验验证了本文提出的架构的有效性。
基于云-边-端的轮机模拟器板卡管理系统开发
这是一篇关于轮机模拟器,云-边-端架构,信息监测,机器学习,故障检测的论文, 主要内容为为了解决轮机模拟器板卡缺少系统化监测与管理手段的问题,本文开发了一种基于云-边-端架构的物联网信息采集管理平台,对板卡数据进行采集、管理和分析,设计了终端数据采集板卡,并于边缘端与云端平台实现了轮机模拟器板卡的数据采集管理系统的开发,同时在云端部署了基于随机森林算法的板卡通信网络故障定位模型,对板卡工作时的网络故障进行定位。本文的主要研究内容如下:(1)设计了轮机模拟器板卡信息采集管理系统功能,明确了系统基于云-边-端模式的架构,提出了系统终端、边缘端、云端三部分的实现方案并制定了技术路线。(2)结合轮机模拟器功能需求与数据采集管理系统功能需求设计并开发了终端数据采集板卡,并设计了数字量和模拟量输入输出接口、CAN总线接口和以太网通信接口,使其能够沟通轮机模拟器模型端与实物端、外接传感器或直接对轮机模拟器工作数据进行采集,并将采集数据通过工业以太网上传至边缘端。(3)使用C#开发了系统边缘端平台,包括开发人机交互界面与业务逻辑函数,并对系统边缘端数据库结构进行了设计,使用SQL Sever 2008建立了边缘端数据库,实现了平台的边云通信、对终端板卡的数据采集功能以及对采集数据的预处理和存储管理功能。(4)研究了基于数字驱动的板卡网络通信故障定位及诊断方法,使用系统边缘端采集并处理的网络通信故障数据,建立基于随机森林算法的板卡网络故障诊断模型,并对模型的故障定位效果进行验证,所得到的故障定位准确率达到90%。并搭建了系统云端服务器,在云端部署前文所述板卡网络故障诊断模型;在云端建立云数据库,存储边缘端上传的数据与网络故障诊断结果;并基于Java Web技术搭建网站平台,实现采集数据与故障信息的发布与远程查询。本文设计实现的轮机模拟器板卡数据采集管理系统,能够更好地对板卡采集数据进行管理与分析,更好地监测轮机模拟器系统工作状态,并为智能船舶数据监测系统打下基础。
云边端场景下基于模型融合的推荐方法研究
这是一篇关于云计算,边缘计算,云-边-端架构,模型融合,群组推荐,个性化推荐的论文, 主要内容为近年来,电子商务、短视频等应用的蓬勃发展,推动了推荐系统的快速革新。推荐系统通过挖掘用户历史交互日志和画像信息,利用推荐模型为用户推荐个性化的项目。然而,目前主流推荐系统一般遵循云计算为中心的架构,用户的服务请求全部发送给云服务器,由云服务器完成建模和计算全过程并将推荐结果返回给用户。随着用户日志规模越来越大,数据模态越来越多样,云服务器计算负载越来越大,网络时延越来越高,影响了用户的体验。此外,就推荐方法而言,目前大部分的推荐方法主要关注挖掘用户的显式偏好,而忽略用户的隐含偏好信息,并缺少对用户的微观行为信息的探索,使得推荐效果欠佳。针对上述问题,本文基于模型融合方法对云边端场景下推荐方法展开研究,主要工作如下:针对传统的以云计算为中心的推荐系统架构存在的网络时延高,云服务器负载大的问题,本文提出了一套面向云边端场景的推荐系统架构。该系统架构主要分为三层,首先部署在云服务器的群组推荐系统通过融合区域用户特征偏好实现群组推荐,并将推荐结果缓存在边缘服务端;然后部署在边缘服务器的个性化推荐系统通过挖掘目标用户的微观行为特征将缓存项目择优推荐给用户;最后由用户终端呈现推荐结果。得益于以上分阶段的推荐模式,用户大部分的请求都将在边缘端得到满足,解决了传统模式云服务器负载大,网络时延高的问题。针对传统的以云计算为中心的推荐方法难以融合区域用户特征偏好的问题,本文提出了一种面向云服务端基于特征偏好融合的群组推荐方法。考虑到云-边-端场景的特殊性,将边缘服务器覆盖的用户看成特殊的群组,通过融合知识图谱嵌入技术、注意力机制和循环神经网络,挖掘区域用户个性化偏好和群体融合偏好实现群组推荐,并将推荐结果缓存在边缘节点。解决了传统的云计算为中心的推荐方法难以融合区域群组偏好,实现群组推荐问题。针对传统的个性化推荐方法注重用户短期偏好忽略用户长期偏好和微观行为特征的问题,本文提出了一种面向边缘服务端基于微观行为挖掘的个性化推荐方法。该方法首先引入自注意力网络挖掘用户偏好依赖关系,然后整合循环神经网络建模用户动态偏好进化表示,并基于相似理论融合用户的长短期偏好。此外,该方法充分考虑并量化了用户不同微观行为所蕴含的偏好强度,融合行为偏好实现推荐。实验结果验证了该推荐方法的有效性。基于以上的理论和方法,本文构建了云边端场景下基于模型融合的推荐原型系统。通过需求分析、概要设计、详细设计、具体实现等步骤,详细介绍了该原型系统的实现过程,实现了理论和应用的结合,并通过仿真实验验证了本文提出的架构的有效性。
基于云-边-端的轮机模拟器板卡管理系统开发
这是一篇关于轮机模拟器,云-边-端架构,信息监测,机器学习,故障检测的论文, 主要内容为为了解决轮机模拟器板卡缺少系统化监测与管理手段的问题,本文开发了一种基于云-边-端架构的物联网信息采集管理平台,对板卡数据进行采集、管理和分析,设计了终端数据采集板卡,并于边缘端与云端平台实现了轮机模拟器板卡的数据采集管理系统的开发,同时在云端部署了基于随机森林算法的板卡通信网络故障定位模型,对板卡工作时的网络故障进行定位。本文的主要研究内容如下:(1)设计了轮机模拟器板卡信息采集管理系统功能,明确了系统基于云-边-端模式的架构,提出了系统终端、边缘端、云端三部分的实现方案并制定了技术路线。(2)结合轮机模拟器功能需求与数据采集管理系统功能需求设计并开发了终端数据采集板卡,并设计了数字量和模拟量输入输出接口、CAN总线接口和以太网通信接口,使其能够沟通轮机模拟器模型端与实物端、外接传感器或直接对轮机模拟器工作数据进行采集,并将采集数据通过工业以太网上传至边缘端。(3)使用C#开发了系统边缘端平台,包括开发人机交互界面与业务逻辑函数,并对系统边缘端数据库结构进行了设计,使用SQL Sever 2008建立了边缘端数据库,实现了平台的边云通信、对终端板卡的数据采集功能以及对采集数据的预处理和存储管理功能。(4)研究了基于数字驱动的板卡网络通信故障定位及诊断方法,使用系统边缘端采集并处理的网络通信故障数据,建立基于随机森林算法的板卡网络故障诊断模型,并对模型的故障定位效果进行验证,所得到的故障定位准确率达到90%。并搭建了系统云端服务器,在云端部署前文所述板卡网络故障诊断模型;在云端建立云数据库,存储边缘端上传的数据与网络故障诊断结果;并基于Java Web技术搭建网站平台,实现采集数据与故障信息的发布与远程查询。本文设计实现的轮机模拟器板卡数据采集管理系统,能够更好地对板卡采集数据进行管理与分析,更好地监测轮机模拟器系统工作状态,并为智能船舶数据监测系统打下基础。
云边端场景下基于模型融合的推荐方法研究
这是一篇关于云计算,边缘计算,云-边-端架构,模型融合,群组推荐,个性化推荐的论文, 主要内容为近年来,电子商务、短视频等应用的蓬勃发展,推动了推荐系统的快速革新。推荐系统通过挖掘用户历史交互日志和画像信息,利用推荐模型为用户推荐个性化的项目。然而,目前主流推荐系统一般遵循云计算为中心的架构,用户的服务请求全部发送给云服务器,由云服务器完成建模和计算全过程并将推荐结果返回给用户。随着用户日志规模越来越大,数据模态越来越多样,云服务器计算负载越来越大,网络时延越来越高,影响了用户的体验。此外,就推荐方法而言,目前大部分的推荐方法主要关注挖掘用户的显式偏好,而忽略用户的隐含偏好信息,并缺少对用户的微观行为信息的探索,使得推荐效果欠佳。针对上述问题,本文基于模型融合方法对云边端场景下推荐方法展开研究,主要工作如下:针对传统的以云计算为中心的推荐系统架构存在的网络时延高,云服务器负载大的问题,本文提出了一套面向云边端场景的推荐系统架构。该系统架构主要分为三层,首先部署在云服务器的群组推荐系统通过融合区域用户特征偏好实现群组推荐,并将推荐结果缓存在边缘服务端;然后部署在边缘服务器的个性化推荐系统通过挖掘目标用户的微观行为特征将缓存项目择优推荐给用户;最后由用户终端呈现推荐结果。得益于以上分阶段的推荐模式,用户大部分的请求都将在边缘端得到满足,解决了传统模式云服务器负载大,网络时延高的问题。针对传统的以云计算为中心的推荐方法难以融合区域用户特征偏好的问题,本文提出了一种面向云服务端基于特征偏好融合的群组推荐方法。考虑到云-边-端场景的特殊性,将边缘服务器覆盖的用户看成特殊的群组,通过融合知识图谱嵌入技术、注意力机制和循环神经网络,挖掘区域用户个性化偏好和群体融合偏好实现群组推荐,并将推荐结果缓存在边缘节点。解决了传统的云计算为中心的推荐方法难以融合区域群组偏好,实现群组推荐问题。针对传统的个性化推荐方法注重用户短期偏好忽略用户长期偏好和微观行为特征的问题,本文提出了一种面向边缘服务端基于微观行为挖掘的个性化推荐方法。该方法首先引入自注意力网络挖掘用户偏好依赖关系,然后整合循环神经网络建模用户动态偏好进化表示,并基于相似理论融合用户的长短期偏好。此外,该方法充分考虑并量化了用户不同微观行为所蕴含的偏好强度,融合行为偏好实现推荐。实验结果验证了该推荐方法的有效性。基于以上的理论和方法,本文构建了云边端场景下基于模型融合的推荐原型系统。通过需求分析、概要设计、详细设计、具体实现等步骤,详细介绍了该原型系统的实现过程,实现了理论和应用的结合,并通过仿真实验验证了本文提出的架构的有效性。
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：源码货栈 ，原文地址：https://m.bishedaima.com/lunwen/55301.html
