基于情境感知的老人饮食推荐系统的设计与实现
这是一篇关于饮食推荐,情境感知,协同过滤,规则推荐的论文, 主要内容为“民以食为天”,“食”是人们生活中必不可少的一部分,不良饮食习惯会引起许多健康问题,糖尿病、高血压等慢性疾病也可以通过良好的饮食来预防和控制。但是人们对自己饮食的健康状况缺乏判断,需要外界的支持进行改善,因此,饮食推荐系统成为帮助实现个性化饮食的有效工具。现有的饮食推荐多用于电子商务和美食社区,较少考虑目标用户的情境信息,推荐的饮食只关注用户的偏好,忽略了用户的情境需求。针对这些问题,本文开发基于情境感知的老人饮食推荐系统,引入情境信息、饮食偏好和健康知识,为老人实现准确、健康的饮食推荐服务。首先,对课题背景和国内外研究现状进行调研,结合老人饮食需求,提出基于C/S、B/S混合架构的系统总体方案。系统主要分为界面表示层、业务逻辑层和数据服务层,将系统关键的智能推荐模块放在业务逻辑层处理。然后,对基于情境感知的老人饮食推荐算法进行分析和研究。为了使推荐结果更加符合用户当前情境,提高推荐准确性。本文将传统的“项目-用户”推荐提升为“情境-项目-用户”推荐,使用混合推荐模式将多角度信息整合起来为老人进行饮食推荐。混合推荐模式包括的推荐方法是基于情境建模的协同过滤推荐和基于规则的推荐。最后,对系统进行详细设计与实现。本系统由后台服务端、移动客户端两部分组成,后台服务端主要完成饮食推荐功能和后台管理功能,客户端面向老龄用户,完成与饮食推荐系统的交互。为了测试系统的有效性,本文从功能和非功能角度设计合理的测试方案完成对系统的测试和分析。测试结果表明系统能够稳定可靠地运行,满足预期的功能需求和非功能需求。
基于异构图的物联网规则推荐方法的设计与实现
这是一篇关于物联网,触发执行编程,非负矩阵分解,多模态表示学习,规则推荐的论文, 主要内容为物联网(Internet of Things,Io T)智能设备如今受到用户的广泛推崇,由于智能设备和网络服务数量的快速增长,人工操作已显得慢速和易错,不能适应大量智能设备和网络服务的交互操作。触发执行编程(Trigger-Action Programming,TAP)作为一种操作物联网智能设备和网络服务的传统编程范式,能够打破不同品牌生态系统间的壁垒,为物联网服务定制个性化规则,并且积累了大量用户。因此,从已有的海量TAP规则中推荐恰当的个性化规则给用户尤为重要。大多数推荐系统通常注重推荐相似规则的准确性,而忽略了推荐的新颖与多样性,降低了用户体验。为此,本文着手于在TAP规则推荐中兼顾准确与多样性。物联网作为万物互联的网络,存在各种实体空间和虚拟空间内物品的交互,决定了物联网表示中图结构的优势。TAP规则数据可以表示为含有多种节点和边类型的异构图,每个节点还有文本形式的属性描述。如何利用好图结构和文本描述,为用户推荐恰当的TAP规则值得研究。为此,本文分别提出了无监督和有监督学习的方法,从TAP规则中学习每条规则的特征,用于给用户推荐恰当的规则。在无监督学习方法中,本文使用非负矩阵分解(Nonnegative Matrix Factorization,NMF)学习规则的特征。根据TAP数据异构图中一个类型与另一个类型节点的连接关系,可以在两两类型的节点之间建立起关系矩阵,矩阵中0表示节点之间没有关系,正数表示节点之间存在关系,且数值越大,关系越强。NMF将记录了行和列中节点之间关系的非负矩阵,分解为两个包含节点特征的矩阵,用于规则推荐。在NMF学习特征之前,本文提出了三种带权重的关系矩阵生成方法作为关键创新点,分别称为共现频率权值(CFW)、概念相似度权值(CSW)和TF-IDF权值(TIW)。结果表明,在由CFW生成的矩阵上进行NMF获得的规则特征,在TAP规则推荐时具有最好的表现。在有监督学习方法中,本文通过结合TAP规则的文本描述和图结构,提出了一种多模态表示学习(Multi-Modal Representation Learning,MRL)模型,并命名为TAP-TAG。TAP-TAG有两个分支:一支为知识图谱嵌入(Knowledge Graph Embedding,KGE)模型,能够对提取自图结构的三元组进行关系特征的学习;另一支为卷积神经网络(Convolutional Neural Network,CNN)模型,用于从规则文本描述中进行语义特征的学习。通过把KGE和CNN学习的含有关系和语义信息的规则特征映射到公共空间中,对齐两种模态的向量表示,并以它们之间的距离作为损失,学习规则的多模态特征表示。实验结果表明,MRL模型有助于为用户推荐兼具准确性和多样性的TAP规则。实验结果表明,无监督和有监督学习方法各有优劣。无监督学习对时间和空间的资源占用非常小,对硬件要求不高,但是准确度较低;有监督学习在准确度方面的提升显著,但是对时间和空间资源、硬件的要求也很高。因此,需要根据不同的应用场景选择恰当的机器学习方法。
基于异构图的物联网规则推荐方法的设计与实现
这是一篇关于物联网,触发执行编程,非负矩阵分解,多模态表示学习,规则推荐的论文, 主要内容为物联网(Internet of Things,Io T)智能设备如今受到用户的广泛推崇,由于智能设备和网络服务数量的快速增长,人工操作已显得慢速和易错,不能适应大量智能设备和网络服务的交互操作。触发执行编程(Trigger-Action Programming,TAP)作为一种操作物联网智能设备和网络服务的传统编程范式,能够打破不同品牌生态系统间的壁垒,为物联网服务定制个性化规则,并且积累了大量用户。因此,从已有的海量TAP规则中推荐恰当的个性化规则给用户尤为重要。大多数推荐系统通常注重推荐相似规则的准确性,而忽略了推荐的新颖与多样性,降低了用户体验。为此,本文着手于在TAP规则推荐中兼顾准确与多样性。物联网作为万物互联的网络,存在各种实体空间和虚拟空间内物品的交互,决定了物联网表示中图结构的优势。TAP规则数据可以表示为含有多种节点和边类型的异构图,每个节点还有文本形式的属性描述。如何利用好图结构和文本描述,为用户推荐恰当的TAP规则值得研究。为此,本文分别提出了无监督和有监督学习的方法,从TAP规则中学习每条规则的特征,用于给用户推荐恰当的规则。在无监督学习方法中,本文使用非负矩阵分解(Nonnegative Matrix Factorization,NMF)学习规则的特征。根据TAP数据异构图中一个类型与另一个类型节点的连接关系,可以在两两类型的节点之间建立起关系矩阵,矩阵中0表示节点之间没有关系,正数表示节点之间存在关系,且数值越大,关系越强。NMF将记录了行和列中节点之间关系的非负矩阵,分解为两个包含节点特征的矩阵,用于规则推荐。在NMF学习特征之前,本文提出了三种带权重的关系矩阵生成方法作为关键创新点,分别称为共现频率权值(CFW)、概念相似度权值(CSW)和TF-IDF权值(TIW)。结果表明,在由CFW生成的矩阵上进行NMF获得的规则特征,在TAP规则推荐时具有最好的表现。在有监督学习方法中,本文通过结合TAP规则的文本描述和图结构,提出了一种多模态表示学习(Multi-Modal Representation Learning,MRL)模型,并命名为TAP-TAG。TAP-TAG有两个分支:一支为知识图谱嵌入(Knowledge Graph Embedding,KGE)模型,能够对提取自图结构的三元组进行关系特征的学习;另一支为卷积神经网络(Convolutional Neural Network,CNN)模型,用于从规则文本描述中进行语义特征的学习。通过把KGE和CNN学习的含有关系和语义信息的规则特征映射到公共空间中,对齐两种模态的向量表示,并以它们之间的距离作为损失,学习规则的多模态特征表示。实验结果表明,MRL模型有助于为用户推荐兼具准确性和多样性的TAP规则。实验结果表明,无监督和有监督学习方法各有优劣。无监督学习对时间和空间的资源占用非常小,对硬件要求不高,但是准确度较低;有监督学习在准确度方面的提升显著,但是对时间和空间资源、硬件的要求也很高。因此,需要根据不同的应用场景选择恰当的机器学习方法。
基于情境感知的老人饮食推荐系统的设计与实现
这是一篇关于饮食推荐,情境感知,协同过滤,规则推荐的论文, 主要内容为“民以食为天”,“食”是人们生活中必不可少的一部分,不良饮食习惯会引起许多健康问题,糖尿病、高血压等慢性疾病也可以通过良好的饮食来预防和控制。但是人们对自己饮食的健康状况缺乏判断,需要外界的支持进行改善,因此,饮食推荐系统成为帮助实现个性化饮食的有效工具。现有的饮食推荐多用于电子商务和美食社区,较少考虑目标用户的情境信息,推荐的饮食只关注用户的偏好,忽略了用户的情境需求。针对这些问题,本文开发基于情境感知的老人饮食推荐系统,引入情境信息、饮食偏好和健康知识,为老人实现准确、健康的饮食推荐服务。首先,对课题背景和国内外研究现状进行调研,结合老人饮食需求,提出基于C/S、B/S混合架构的系统总体方案。系统主要分为界面表示层、业务逻辑层和数据服务层,将系统关键的智能推荐模块放在业务逻辑层处理。然后,对基于情境感知的老人饮食推荐算法进行分析和研究。为了使推荐结果更加符合用户当前情境,提高推荐准确性。本文将传统的“项目-用户”推荐提升为“情境-项目-用户”推荐,使用混合推荐模式将多角度信息整合起来为老人进行饮食推荐。混合推荐模式包括的推荐方法是基于情境建模的协同过滤推荐和基于规则的推荐。最后,对系统进行详细设计与实现。本系统由后台服务端、移动客户端两部分组成,后台服务端主要完成饮食推荐功能和后台管理功能,客户端面向老龄用户,完成与饮食推荐系统的交互。为了测试系统的有效性,本文从功能和非功能角度设计合理的测试方案完成对系统的测试和分析。测试结果表明系统能够稳定可靠地运行,满足预期的功能需求和非功能需求。
基于情境感知的老人饮食推荐系统的设计与实现
这是一篇关于饮食推荐,情境感知,协同过滤,规则推荐的论文, 主要内容为“民以食为天”,“食”是人们生活中必不可少的一部分,不良饮食习惯会引起许多健康问题,糖尿病、高血压等慢性疾病也可以通过良好的饮食来预防和控制。但是人们对自己饮食的健康状况缺乏判断,需要外界的支持进行改善,因此,饮食推荐系统成为帮助实现个性化饮食的有效工具。现有的饮食推荐多用于电子商务和美食社区,较少考虑目标用户的情境信息,推荐的饮食只关注用户的偏好,忽略了用户的情境需求。针对这些问题,本文开发基于情境感知的老人饮食推荐系统,引入情境信息、饮食偏好和健康知识,为老人实现准确、健康的饮食推荐服务。首先,对课题背景和国内外研究现状进行调研,结合老人饮食需求,提出基于C/S、B/S混合架构的系统总体方案。系统主要分为界面表示层、业务逻辑层和数据服务层,将系统关键的智能推荐模块放在业务逻辑层处理。然后,对基于情境感知的老人饮食推荐算法进行分析和研究。为了使推荐结果更加符合用户当前情境,提高推荐准确性。本文将传统的“项目-用户”推荐提升为“情境-项目-用户”推荐,使用混合推荐模式将多角度信息整合起来为老人进行饮食推荐。混合推荐模式包括的推荐方法是基于情境建模的协同过滤推荐和基于规则的推荐。最后,对系统进行详细设计与实现。本系统由后台服务端、移动客户端两部分组成,后台服务端主要完成饮食推荐功能和后台管理功能,客户端面向老龄用户,完成与饮食推荐系统的交互。为了测试系统的有效性,本文从功能和非功能角度设计合理的测试方案完成对系统的测试和分析。测试结果表明系统能够稳定可靠地运行,满足预期的功能需求和非功能需求。
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：源码工坊 ，原文地址：https://m.bishedaima.com/lunwen/55575.html
