6个研究背景和意义示例,教你写计算机负反馈论文

今天分享的是关于负反馈的6篇计算机毕业论文范文, 如果你的论文涉及到负反馈等主题,本文能够帮助到你

基于图网络和负反馈的视频推荐系统研究与实现

这是一篇关于视频推荐,图网络,负反馈,物质扩散,改进TF-IDF的论文, 主要内容为如今,移动互联网飞速发展,社交媒体不断兴起,用户的信息获取方式发生了前所未有的变化。视频内容传播方式已替代文字传播方式成为目前用户获取信息的主流途径。然而,随着用户增多,过量的视频信息逐渐引发了信息过载问题,严重影响用户的信息获取体验。因此,为解决这一问题,本文重点研究了基于图网络的物质扩散推荐算法,并考虑了用户负反馈行为,实现了视频推荐系统,以解决信息过载问题,为用户提供个性化的推荐服务。首先,为了在用户交互图中得到能够体现标签重要度差异的初始化能量值,以解决传统物质扩散算法的初始资源配置不合理问题,本文提出了一种在超图上随机游走的标签能量初始化方法。该方法将标签看作超点,标签来源的用户或关联的视频看作超边,构建了超图。通过考虑活跃度因素,对超图设置了不同的点边加权策略,为随机游走的转移概率矩阵生成提供了依据,从而最终计算出合理的标签初始能量值。其次,为针对用户对视频项目交互少,用户交互矩阵稀疏性问题,本文应用了双向物质扩散算法分别获得了用户对标签的兴趣度向量以及标签对视频的相关度向量。基于标签的中介作用,将归一化后的兴趣度向量和相关度向量进行内积融合,获得用户对未交互视频的预测评分。通过对评分大小的排序,得到视频推荐列表。在算法的性能对比实验中,融合超图随机游走的双向物质扩散算法在精确率、召回率、F1值三个指标上,相较于其他同类算法,具有一定的优势。接着,本文分析了负反馈对推荐算法的补充作用,并针对负反馈行为收集难的问题,提出了基于视频播放时长和播放时长占比的负反馈界定方法。随后,利用改进的TF-IDF算法在一个滑动时间窗内,动态计算当前用户对各个标签的反感情况,并根据反感值最大项获得用户负反馈标签,以此筛除包含这些负反馈标签的候选推荐对象,对融合超图的双向物质扩散算法进行了负向优化。实验表明,在Kuai Rec数据集上,本文所提的负反馈标签确定算法相比于其他基线算法,能够有效结合正向推荐方法,很好地过滤了用户不感兴趣的视频项目,提升了推荐质量。最后,本文进行了视频推荐系统的软件开发工作,测试了相关功能模块,并展示了实际运行效果。其中的测试结果表明,该系统已经达到了设计预期,能够帮助用户更好地发掘感兴趣的视频内容,提升了用户的粘性和忠诚度,带来了一定的经济效益,对于视频平台的发展和运营具有实际的指导意义。

基于带负反馈的深度强化学习推荐方法研究

这是一篇关于商品推荐,深度强化学习,负反馈,离线学习的论文, 主要内容为当前,随着用户推荐相关领域的飞速发展,如基于协同过滤、机器学习、深度学习等各类技术算法都被应用于推荐方法当中。但传统的推荐方法均具有静态的推荐算法特点,即无法对用户动态行为表现做出反应,只能做到局部最优而无法实现全局最优。而传统基于强化学习算法的推荐方法,例如基于价值的强化学习推荐算法,在面临着大规模状态以及行为维度的推荐任务时,会出现内存和时间开销过大的问题。而基于策略的强化学习推荐方法也会面临着回合更新的回合数过多,导致学习速率过慢的问题。为解决上述问题,于是提出一种基于带负反馈的深度强化学习商品推荐方法(Deep Reinforcement Learning With Negative Feedback,WNDR),使用基于门循环单元(Gated Recurrent Unit,GRU)的特征提取模型提取用户特征,对于常规方法很少予以关注的负反馈行为进行利用,从而完善用户特征的建模,使模型更加精准,同时使用改进的深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)模型完成推荐系统的训练工作,更好的处理用户特征的动态变化,解决传统方法中存在的神经网络收敛慢的问题,提高推荐方法的训练效率。在真实带有负反馈行为的电子商务数据集上实现带负反馈基于深度强化学习的商品推荐方法,并建立强化学习离线训练环境完成相关实验,与其他几类基于传统算法的推荐方法结果进行对比。实验结果表明,在相同的实验环境下,本设计提出的推荐方法能够在某些场景中,推荐效果可以强于传统的推荐方法,并能一定程度上提高推荐方法的训练速度,提高推荐方法的运算效率。

基于用户行为图的个性化推荐方法

这是一篇关于兴趣点,图神经网络,推荐系统,时空依赖,负反馈,知识图谱,用户行为的论文, 主要内容为互联网上内容的爆炸式增长导致用户很难发现真正感兴趣的信息,造成了信息过载的问题。个性化推荐系统可以通过用户的历史行为数据来挖掘出用户的偏好,进而从浩如烟海的信息中给用户推荐少量感兴趣的内容,从而解决信息过载问题。目前,大多数推荐系统只利用用户的隐式反馈行为,如点击等。然而,用户行为可以包含多种信息,如时间、空间信息等。此外,除了正反馈行为,用户也会有一些负反馈行为,例如推荐系统给用户推荐了一些物品,然而用户没有点击其中的部分。合理的利用用户行为可以提升推荐的效果,一个自然的问题是:怎样将各种各样的用户行为信息加入到推荐系统中?在众多信息载体中,图提供了一个统一的表征数据方式。在图中,不仅节点可以表示不同的对象,而且边也可以蕴含不同的关系信息。图结构为推荐系统提供了一个灵活的输入,除了表示用户行为外,用户资料、物品知识图谱等辅助信息也可以很方便的使用图表示。本文首先对用户的时空正反馈行为进行探讨,之后研究加入负反馈行为与知识的推荐场景。本文的研究内容和主要贡献如下:1、基于用户时空行为图的兴趣点推荐方法。兴趣点推荐不同于传统的推荐,如电影,商品等,兴趣点推荐是和时间及空间息息相关的。本文提出了 STGCN,一个基于图卷积神经网络的时空兴趣点推荐方法。首先,我们通过数据分析,发现用户和时间及空间之间是非独立的因素,因此创新性的将用户,兴趣点和空间当成图中的节点,而将时间建模成边上的关系,构建了一个用户记录多图。其次,我们设计了一个基于时间的采样算法来获取具体时间片上节点的邻居子图。与此同时,为了缓解数据的稀疏性问题,我们使用了一个时间平滑的策略。之后,为了获取不同节点在当前时间片上的表征,我们提出了结合权重的信息传播方法。最终,我们设计了一系列的评分函数来计算用户在当前时间和地点对不同兴趣点的偏好得分。一系列的实验证明了我们方法的有效性及其合理性。2、基于用户负反馈行为知识图的推荐方法。负反馈信息代表用户不喜欢的内容,结合用户的负反馈行为可以更加准确的建模用户的表征。我们提出了负反馈增强的知识图卷积神经网络NKGCN方法。在该方法中,我们首先提出了一个结合负反馈信息与知识图谱的负反馈行为知识图,然后利用关系图卷积神经网络来学习用户和物品的表示;为了利用负反馈的信息,我们设计了一个新的损失函数来学习正负反馈行为的区别。实验结果表明,结合负反馈信息进行推荐可以明显提升用户表征的准确性。

基于用户行为图的个性化推荐方法

超宽带功率放大器MMIC研究与设计

这是一篇关于功率放大器,超宽带,MMIC,负反馈的论文, 主要内容为现代通讯技术的发展推动了无线通讯系统与设备的进步,超宽带的无线收发系统与军事雷达可以覆盖多频段,同时可以解决设备成本高,功耗大与兼容性等问题。功率放大器作为射频发射端的核心,其好坏影响着输出信号的传输和发射机整体可靠性。微波单片集成电路(Microwave Monolithic Integrated Circuit)因其低成本小体积等优良特性,广泛应用于国防和通讯等各个领域。超宽带功率放大器MMIC因其重要地位与大带宽、高集成、低成本等优势成为了热门研究方向。本文针对当前研究热点,深入学习了功率放大器相关理论知识与超宽带放大器设计方法,广泛调研了国内外相关研究文献并设计了以下几款超宽带功率放大器和驱动放大器。针对无线通讯需求与雷达应用设计了一款6-18GHz功率放大器,该功率放大器设计基于0.15μm Ga As工艺,采用三级放大的功率合成结构。本设计详细介绍了功率放大器的设计流程,使用了一种适用于具有小最佳功率阻抗点的功放的宽带电抗匹配方法,利用单频点的匹配极大地简化了宽带匹配的复杂性并实现功放的大功率与高效率,为其他超宽带功放提供了设计思路与参考。最终版图仿真结果显示,工作频带内功放饱和输出功率大于2W,功率附加效率大于25%,功率增益平坦度±0.8d B,功放小信号增益20d B,芯片面积7.2mm×3.4mm。针对雷达的实际工程应用需求设计了两款8-18GHz驱动放大器,两款驱动放大器设计均基于0.25μm Ga N工艺。第一款驱放设计采用两级共源放大结构。该设计基于晶体管自身寄生导致的带宽限制理论详细分析了负反馈拓展带宽的原理与实现方法并给出了具体的电路设计流程,为其他负反馈宽带放大器设计提供了参考价值。最终版图仿真结果显示,工作频带内饱和输出功率平均26d Bm,动态电流小于149m A,功率增益平坦度±1d B,放大器小信号增益达到20d B,芯片面积1.71mm×1.11mm。第二款驱放设计采用两级共源放大结构。该设计使用栅极自偏置技术,并且详细介绍了电抗匹配网络设计流程。设计中分析并解决了自偏置驱放版图布局当中的对称性问题、微带线线宽问题,布局紧凑性的问题等,给出了设计版图布局的细节与要点。最终版图仿真结果显示,驱放饱和输出功率平均26.5d Bm,动态电流最大值220m A,功率增益平坦度±1dB,小信号增益20dB,芯片面积1.71mm×1.15mm。