5个研究背景和意义示例,教你写计算机用户行为特征论文

今天分享的是关于用户行为特征的5篇计算机毕业论文范文, 如果你的论文涉及到用户行为特征等主题,本文能够帮助到你

基于序列感知信息的序列推荐算法研究

这是一篇关于个性化推荐,用户行为特征,知识图谱,注意力机制的论文, 主要内容为在大数据和人工智能盛行的今天,如何高效地在大量的数据中挖掘出用户感兴趣的商品、音乐等项目是推荐系统的主要任务。现如今,用户的个性化推荐在诸多领域都发挥着不可忽视的作用,例如电子商务网站将收集到的众多用户的浏览、购买、评价等历史记录数据加以挖掘、分析进而预测用户可能感兴趣的商品来将其推荐给用户;在线音乐平台同样也可以根据用户收听、收藏、喜爱的音乐类型风格等数据分析用户感兴趣的作品来进行推荐。当前推荐系统应用最为广泛的算法就是基于协同过滤的算法,可以分为基于项目的协同过滤和基于用户的协同过滤,但基于协同过滤的推荐算法存在如果用户与项目之间交互过少就会造成数据稀疏和冷启动的问题。因此,丰富项目的表示,发掘用户和项目之间更高阶的关系可以有效提高推荐系统的推荐效果和准确率。针对现有方法存在的不足,为了丰富知识图谱中的项目表示,本文提出在传统知识图谱中融合用户行为特征信息的方法,以此来增强用户与项目之间的联系。在此基础之上本文通过引进注意力机制递归的嵌入传播用户的兴趣偏好信息和项目知识信息的方法来挖掘用户和项目之间的高阶关系。基于以上方法本文提出了基于融合用户行为特征知识图谱的推荐算法。首先本文通过在传统的知识图谱中融合用户行为特征信息提出了一种增强用户和项目之间联系的方法。现有应用于推荐系统的知识图谱融合多源异构辅助信息,例如用户的社交信息、项目的相关属性信息、项目的交互数据等。这种方法虽然在一定程度上缓解了基于协同过滤推荐方法存在的数据稀疏和冷启动的问题,但是仅考虑到这一类辅助信息仍不能在用户和项目之间建立紧密的联系,忽略了部分潜在的用户意向,因此本文提出在传统的知识图谱中融合用户的行为特征信息加强用户与项目之间的联系,丰富知识图谱中的项目表示,细化了知识图谱中节点的嵌入,提高推荐的准确性、多样性和可解释性。其次本文通过引进注意力机制提出了一种发掘用户项目间高阶关系的方法。利用注意力机制计算得到知识图谱中各实体节点的权重,表示给予各节点的不同的关注度,通过建立多个嵌入传播层递归的传播用户的兴趣偏好和项目知识信息。这种方法不仅提高了知识图谱中实体信息传递的有效性,而且能够挖掘到项目间更深层的关系。高关注度的项目信息将会对最终的推荐结果产生更加积极的影响,低关注度的项目将作为反馈进行模型的训练,以此提高推荐的准确率。最后本文在三个不同的数据集上对本文提出的方法与传统的推荐方法进行了实验对比,在两项评价指标上的提升验证了本文方法的有效性。

基于融合用户行为特征知识图谱的推荐算法研究

基于注意力机制融合用户属性的序列推荐算法研究

这是一篇关于序列推荐,会话图,门控图卷积神经网络,多头注意力机制,用户行为特征的论文, 主要内容为随着信息技术和互联网产业的发展,资源呈指数增长趋势,信息过载已成为人们面临的重大挑战。个性化推荐系统可以为上述困难提供一个有前景的解决思路。在序列推荐领域中,序列建模为图结构引起广泛研究。本文针对现有方法在捕获复杂项目转换关系方面存在缺陷以及大多数研究没有明确区分不同历史点击对当前点击影响的问题,提出一种新的基于注意力机制融合用户属性的图神经网络(Graph Neural Network Fusing User Attributes Based on Attention Mechanism,A-UGNN)序列推荐算法。首先,针对以往基于GNN的方法仅关注各个序列本身的信息,忽略用户本身的个性化特征的问题,提出一种融合用户属性的图神经网络序列推荐模型(UGNN)。一方面,由于不同用户有不同的行为模式,继而导致每个用户有不同的项目转换关系,因此在GGNN模块中注入用户信息,从而在每次节点更新时,融合用户嵌入和项目隐藏层嵌入以便有效提取每个子图中的个性化结构信息。另一方面,序列图化后会缺失位置信息,为此通过在原始项目嵌入中合并位置嵌入,进而自适应地学习每个项目的相对位置信息,从而有效利用顺序感知器和图形感知器模型的优势。其次,为弥补用户兴趣随时间变化而漂移的问题,在UGNN的基础上引入注意力机制,提出基于注意力机制融合用户属性的图神经网络序列推荐模型(A-UGNN)。将原始序列中的最后一次点击作为多头机制中的查询,自适应地获取用户当前的兴趣表达,使其相比其他GNN模型对用户兴趣漂移更敏感。此外,为充分利用用户与项目的特征信息,将静态和动态偏好融合生成用户的统一表示,其中动态偏好代表用户历史点击,而静态偏好则表示用户固有属性。最后,通过两个真实数据集证明所提方法在平均倒数排名(MRR)、归一化折损累计增益(NDCG)和命中率(HR)等推荐精度指标上均有提高,且优于其他基准。

基于交换分区的移动智能终端存储系统性能优化关键技术研究

这是一篇关于用户行为特征,用户体验,页面交换,性能评估,应用预测的论文, 主要内容为智能手机高性能处理器和大容量内存的发展促使应用程序的功能性变得前所未有的复杂。应用程序功能变得复杂的同时,也使得智能手机内存和外存的存储压力变得越来越大。如果没有适当的内存管理策略,必然会影响到设备的用户体验满意度,比如因系统内存不足而导致应用程序的响应时间过长。交换分区是一种可行的低成本内存容量扩增技术。最新调研结果表明,智能手机等移动智能终端,正逐步开始尝试采用交换分区来以较低成本扩充内存容量。除了传统交换分区架构,基于内存压缩和新型硬件的交换分区架构不断出现在移动智能终端上。这些交换分区在架构设计上有很大不同,导致了系统设计人员对它们的测试、比较和修正工作变得更加困难。为了对交换分区进行深入研究,并利用它的特性提高移动智能终端的用户体验满意度,本文完成了如下两大研究工作。第一,本文提出了一种测试框架(SwapBench),方便在移动智能终端系统中测评各类不同交换分区。该框架选取了两个重要但常常被忽视的测试指标:应用程序启动时间和切换时间。SwapBench能检测并配置系统交换分区,并控制和记录应用程序的执行过程。同时本文还借助一组小型基准测试程序交叉验证了SwapBench的正确性。此外,本文首次从体系结构层面、应用程序启动性能和切换性能三个方面对移动智能终端平台上的各类交换分区架构给出了综合性的测试评价。最后,基于SwapBench的实验和测试结果发现,本文给出了在移动智能终端平台上使用交换分区的总结和相关建议。第二,基于SwapBench发现闪存交换分区存在的性能瓶颈,本文设计并提出了一种基于预测的进程级交换分区架构(SmartSwap)。SmartSwap利用用户行为特征以及上下文信息预测最近不可能使用(Most Rarely Used,MRU)的应用列表。然后根据系统可用内存情况,以及设备的使用状态,利用预测结果在系统空闲时提前换出上述应用列表中最近最不可能使用的进程。为了最优地折衷杀死进程和交换进程的代价,SmartSwap采用了基于效能函数的方法控制提前换出页面的数量。本文对SmartSwap进行了综合的测试。基于数据集的测试结果显示,对最近最不可能使用进程预测的准确度在90%以上(高达100%)。基于本文实现的SwapBench工具测得,相比于闪存交换分区的最坏情况,SmartSwap可将应用程序的启动性能提高30%左右。此外,系统后台能额外缓存50%左右的进程,每次提前换出需要消耗的电池电量不超过0.03%。