给大家推荐7篇关于时效性的计算机专业论文

今天分享的是关于时效性的7篇计算机毕业论文范文, 如果你的论文涉及到时效性等主题,本文能够帮助到你

基于时效性和双信任机制的矩阵分解推荐算法研究

这是一篇关于推荐系统,矩阵分解,隐式信任,时效性,显式信任的论文, 主要内容为个性化推荐系统是“数据大爆炸”时代下的产物。个性化推荐系统作为一个“信息过滤器”,能够“量身定做”地为用户提供精确度高、效率快的服务。目前,个性化推荐系统已经成功应用到图书推荐、影视推荐、美食推荐等多个领域。针对传统个性化推荐系统中存在的数据稀疏和冷启动问题,学者们进行了大量的深入研究。其中,奇异值分解(SVD)算法通过奇异值分解技术填充矩阵的缺省值,较好地缓解了数据稀疏的问题。SVD++算法是在SVD算法的基础上引入隐式反馈,有效地缓解了冷启动问题。随着社交网络的兴起,结合用户社交网络中的信任关系进行推荐逐渐成为研究热点。TrustSVD算法就是在SVD++算法的基础上引入信任关系,改善数据稀疏和冷启动问题。本文深入分析了TrustSVD算法。首先,TrustSVD算法忽视了推荐项目的时效性问题。每个项目都有自己的生命周期,有些很短比如新闻;有些很长比如经典电影。如果项目度过了流行期并进入衰退期,那么关注它的顾客会越来越少,它的推荐价值也会越来越低。由于TrustSVD推荐算法对已衰退的项目和流行的项目处理方式相同,可能会为用户推荐已经“过期”的项目,导致算法的推荐效果不好。同时,TrustSVD推荐算法将用户给出的显式信任数据用于评分预测,然而随着信息泄露导致网络诈骗盛行,用户越来越注重网络安全,并不会随意在网上公布自己的信息,比如对其他用户的显式信任反馈。因此用户间的信任关系存在着获取难、数据稀疏的问题;同时,显式信任只有0、1两个值,并不能很准确的模拟现实生活中用户间的信任程度;并且由于数值简单,显式信任还存在着大量的噪声。为了提高TrustSVD算法的推荐性能,本文主要做了以下几个方面的改进及研究工作:(1)项目的时效性表示。考虑到项目都有生命周期,对项目进行时效性度量很有必要。本文引入一个衡量项目是否及时的时效性指标,并在此基础上提出基于时效性的矩阵分解推荐算法,该算法有效地降低了为用户推荐过期产品的概率。(2)基于时效性和双信任机制的推荐算法研究。本文引入隐式信任解决显式信任数据稀疏的问题。传统的隐式信任计算方法,比如皮尔逊系数是从用户评分数据推断而来,而利用评分数据推断隐式信任很有可能存在着被恶意攻击的风险。因此本文将jaccard相似度和信任因子共同求调和平均得到隐式信任数据。jaccard相似度和信任因子的计算并不需要评分数据,这样的隐式信任更具有准确性。同时,本文引入双信任机制,对显式信任和隐式信任赋予不同权重,从而控制显式信任和隐式信任对于评分预测的贡献程度,改善信任数据的稀疏性。(3)本文在Epinions数据集和Ciao DVD数据集上进行改进算法和原始TrustSVD算法的对比实验。在Epinions数据集上,改进算法在对所有用户推荐的平均绝对误差最多降低1.49%,均方根误差最多降低1.33%;对冷启动用户推荐的平均绝对误差最多降低1.61%,均方根误差最多降低1.35%。在Ciao DVD数据集上,改进算法在对所有用户推荐的平均绝对误差最多降低2.21%,均方根误差最多降低1.88%;对冷启动用户推荐的平均绝对误差最多降低4.22%,均方根误差最多降低3.41%。实验结果证明本文改进算法在Epinions数据集和Ciao DVD数据集上的误差大幅降低,算法准确率提高,也验证了本文改进算法的有效性和可行性。

M公司物流配送方案的研究

这是一篇关于物流管理,政务采购,B2B,时效性,物流配送的论文, 主要内容为随着经济的飞速发展,各种生产方式的的日新月异,电子商务,电子政务,新型物流,互联网经济已经开始与传统商业模式进行竞争,并逐渐开始和传统商业并行成为不可或缺的部分,近几年甚至赶超了传统的商业模式,逐渐地改变着人们的消费习惯,生活习惯。从最初的淘宝的C2C(Customer to Customer),天猫,京东的B2C(Business to Customer),慧聪网,敦煌网的B2B(Business to Business)的商业模式的逐步完善,发展到目前的阿里巴巴和银泰,万达广场等的O2O(Online to Offline)新型商业模式的逐渐成熟。让便捷、快速、高效的新型工作生活方式成为我们的日常。C2C,B2C,B2B,O2O,各种商业模式的流行和转变,对企业而言带来的是生产、仓储、销售、物流、售后等环节的颠覆性的革命。生意再也不是以前,企业负责生产,渠道负责销售,物流公司负责运输,如此简洁。以O2O的为例,目前最为成功的应该是马云的阿里巴巴和沈国军的银泰集团的结合,线上通过阿里巴巴的大数据,企业生产满足客户需求的产品,线上通过天猫商城等途径对商品进行展示,客户可以直接便捷地了解产品,线下客户可以通过线上的挑选对产品进行精准的挑选。同时,客户也可以在线下挑选自己喜欢的产品,在线上进行比价,买到价廉物美的产品。物流管理(Logistics Management)作为企业生产运营管理中的很重要的节点,在现代企业实际的发展和运营中起到着越来越重要的作用,由从前在生产生活过程之中对物质资料和实体流动的规律的研究,应用管理的基本原理以及科学的方法,以及对物流配送进行对应的计划、组织、指挥、协调、控制和监督等环节,使各项物流活动得到最优的分配与协调,从而改善物流的成本,增加物流效率和经济效益。现代物流管理是一门建立在系统学、控制学和上信息学之上的综合学科,结合现实应用中对消费大数据,菜鸟,京东新型仓储概念,在企业的管理运行中扮演越来越重要的角色。通过对分析M公司由于的物流管理流程的剖析,结合检索CNKI等数据库中与该命题相关的上百篇国内外企业对物流管理流程方面的相关文献,搜索了大量电商平台,互联网相关企业在物流管理方面的的历史和电子商务发展的历史,结合M公司的对现有物流管理流程对目前企业发展困扰,M公司现行业务结合互联网概念、O2O概念,分析M公司在物流管理流程凸显出来的问题,挖掘形成这些问题的原因,然后提出解决对应问题的的策略,来帮助M公司调整和优化物流管理的流程,提高物流运转的效率。M公司是政府、大型企业以及事业单位轻资产招标型物资供应商,在物流管理目前最主要的问题在于现有的物流管理方案无法满足客户的时效性,成本过高。面对日益激烈的电子商务平台竞争,公司如果无法解决时效性,在行业中逐渐失去了竞争力。面对成本的居高不下,公司对现有物流管理流程继续进行彻底的变革来满足客户的需求,顺应行业的发展。M公司目前物流管理流程主要的问题在于销售仓储配送一体化管理平台过于落后,不合理的仓储方案导致库存量的增加、订单处理效率的低下,销售配送方案效率较低,供应链体系协调性欠缺。传统的集中仓储带来的库存成本高,定时的集中配送导致对客户的实效性差。叠加效应后出现产品比其他平台卖得贵,对于客户而言,服务反而差,虽然站在政府事业单位采购的有利位置,但没有办法合理地消化好这块大蛋糕。为了解决M公司物流管理流程中出现的这些问题,需要建立一套完整的生态系统。从上游的生产企业,到M公司的物流管理,再到客户。轻库存,重实效。研究表明,要解决M公司物流管理流程问题,强调时效性第一,仓储灵活,首先要准确定位M公司的角色,不是以前类似贸易公司或者供应商的角色,强调M公司作为一个平台,一个链接上游企业和下游政府企事业单位的政务采购B2B平台。标准化物流管理考核体系,完善M公司的物流管理流程的执行和控制体系。通过提升物流管理水平,解决客户时效性的问题,解决企业成本居高不下的问题,只有这样才能在激烈的市场竞争中利于不败之地。

手机浏览器信息流内容管理系统的设计与实现

这是一篇关于内容管理系统,Spring Boot,TF-IDF,时效性的论文, 主要内容为随着手机浏览器市场发展已进入成熟期,信息流和应用服务成为了主要方向。作为通向互联网的入口应用,手机浏览器有着进行内容分发的独特优势,也是广告投放的主要方向。同时,在信息流分发背景下,为了对用户提供精准有效的分发,提高产品对用户的吸引力,手机浏览器对内容的时效性以及热点新闻的运营有着更高的要求。在此背景下,本文构建了一套完整的手机浏览器信息流内容管理系统,为进一步向用户进行内容分发提供基础。本文首先对项目背景进行阐述,概述了目前国内外知名度较高的内容管理系统,并对内容分发领域的研究现状进行了介绍。同时综述了实现系统所需的Spring Boot、My Batis等技术。之后,论文详细分析了手机浏览器信息流内容管理系统的功能需求和非功能需求,提炼出内容管理子系统、内容质量评测子系统和热点调研子系统三个子系统共九个模块。通过总体架构、模块划分等视图对系统进行总体阐述,并从功能层面给出了各个模块的详细设计,同时对系统数据库设计进行说明。接着论文通过代码介绍了各模块核心功能实现细节。最后,进行了全面的系统测试并给出相应的测试结果。本文所实现的手机浏览器信息流内容管理系统能够完成内容数据项的基本管理功能,并借助人工智能技术对内容数据项进行属性填充。在业务上本文提出了一种新的内容时效性解决方案,根据内容的类别和事件的发生时间确定初始时效性,通过TF-IDF算法对内容进行话题聚类,并根据话题结构动态调整内容时效性。针对热点突发情况,本系统通过爬虫技术和TF-IDF算法爬取热点新闻并聚类,帮助运营人员进行内容运营。

融合时效性与多样性的协同过滤推荐方法研究

这是一篇关于时效性,多样性,个性化推荐,协同过滤算法的论文, 主要内容为随着时代进步,信息技术和互联网的快速发展,极大地方便了人们的工作和生活,网络中的海量信息可以满足用户的不同需求,但是信息检索中大量的冗余数据也会造成信息过载问题。如何在网络的海量信息中找到用户需要的数据并精准地推荐是目前面临的主要问题。由于推荐系统可以从大量数据中过滤出用户所需的有效的信息,被广泛应用于许多电子商务平台中。传统的推荐算法主要包括基于用户的和基于项目的推荐,协同过滤推荐作为一种经典的推荐算法,通过系统中用户或项目的特征数据以及交互时用户的行为数据发掘相似的用户或项目,进而预测目标用户对潜在项目的偏好,建立推荐。其中,基于用户的推荐在多样性方面的效果要优于基于项目的推荐算法,应用更加广泛。但目前的推荐方法仍然面临诸如推荐效率低、矩阵稀疏、信息茧房等问题,目前学者多从算法推荐精度、数据稀疏性、冷启动等角度进行算法研究和改进,而推荐结果的时效与多样性很大程度上也会影响推荐系统用户满意度。因此本文以传统的CF算法为基础,研究电影领域用户观影行为的多样性与时效性对用户相似性的影响,解决传统算法中推荐精度不足和多样性不够的问题。本文的主要研究内容如下:(1)本文针对传统推荐算法推荐效率低、推荐列表不能很好满足用户多样性需求的问题,提出融合时效性与多样性的协同过滤推荐算法。算法首先利用用户的观影时间和类型计算时效性与多样性指数,根据用户—评分矩阵计算用户间余弦相似性,进而对相似用户聚类,对同一簇内的用户按照时效性与多样性的相似性进行筛选,找到最终的邻居用户,从邻居用户的观影记录中找到评分较高的影片推荐给目标用户。实验证明,本文提出的推荐算法可以更好地分析用户偏好,推荐结果更符合用户的需求。(2)为了进一步优化该推荐算法,本文通过不同实验,对比分析了多样性与时效性对用户偏好的影响程度、计算用户相似性的不同方法对推荐质量的影响。实验结果表明,本文提出的算法可以很好地对用户进行相似性分析,在一定程度上解决了系统推荐精度和多样性的问题。本文研究的创新点在于参考生物多样性的计算方法分析用户观影类型的多样性,并且在协同过滤的基础上,将多样性与时效性作为筛选相似用户的指标,进而确定推荐的项目列表。实验表明,本文提出的融合时效性与多样性的协同过滤推荐算法能够提高推荐质量、更好地为用户提供个性化推荐服务。

基于新闻时效性模型的协同过滤推荐算法研究

这是一篇关于LDA,Single-Pass,算法改进,时效性,协同过滤的论文, 主要内容为网络社会的飞速发展,网络新闻数据的规模日益庞大,使得新闻生产过程中的知识挖掘变得困难;新闻消费者更是难以在海量的网络新闻中快速寻找符合自己兴趣的新闻。因此,对网络新闻数据的处理策略进行研究具有重要的应用价值。精准的网络新闻主题聚类算法带来高效的新闻挖掘,为个性化推荐算法的研究提供了便捷。本文重点关注网络新闻生产过程中的文档主题聚类与新闻消费过程中的个性化推荐问题,具体研究内容如下:(1)对于网络新闻文档主题聚类中常见的语义不清、聚类算法无法增量更新等问题,提出了基于LDA主题模型的Single-Pass聚类算法。LDA主题模型结合Single-Pass聚类算法实现增量数据的更新,在选择聚类质心和初始聚类分布时,先通过新闻热度调整聚类质心的选择,再利用LDA主题聚类算法提供的稳定预聚类结果,从而提高新闻主题聚类算法的效果。仿真实验表明,该算法可以提高聚类算法的准确率,同时适合增量更新。(2)针对网络新闻推荐系统中,新闻时效性差、推荐算法输入集合中过时新闻冗余等问题,结合文献老化模型,提出了一种网络新闻信息老化模型。利用第三章基于LDA主题模型的Single-Pass聚类算法得到的聚类集合,先计算一个新闻主题聚类集合内的平均传播时间,结合负指数模型,计算新闻发布后的老化率,作为时效性参数,对基于用户的协同过滤算法进行改进,从而提高了推荐效果。通过仿真验证,该算法能提高协同过滤推荐算法效果。(3)融合新闻文档主题聚类与协同过滤推荐算法,实现个性化新闻推荐系统。对于系统的功能和性能进行测试,经测试,本系统功能完善,可以快速采集新闻数据进行处理,并对不同的用户进行个性化的新闻推荐。

基于协同过滤算法的学习资源推荐系统研究与实现

这是一篇关于推荐系统,协同过滤,学习资源推荐,时效性,组推荐的论文, 主要内容为随着互联网相关领域的快速发展,网络学习资源的数量也每年以指数级增长,学习者在面对海量网络学习资源时,存在“信息过载”等问题,而推荐系统致力于为用户提供准确的、个性化的信息资源。当前,关于推荐系统的研究,大多是基于协同过滤的研究,但是大部分的研究在用户-资源评分数据稀疏时,推荐准确性不高,且存在不能及时反映用户的兴趣变化等问题。为此,本文开展了以下工作:(1)针对推荐系统在用户-资源评分数据稀疏时,准确率低的问题,本文通过将项目属性和用户评分进行融合的计算相似性的方法,提高协同过滤推荐算法中用户相似度计算的准确性。(2)针对人的兴趣会随着时间不断变化这一特征,本文使用基于艾宾浩斯遗忘模型,通过遗忘函数对历史评分数据进行降权处理,来刻画协同过滤推荐算法中用户兴趣变化。(3)通过组推荐技术,让教师参与到学习资源的推荐中,实现学习资源群组推荐,使得学习资源的推荐更人性化。(4)本文基于改进的协同过滤推荐算法,研究出个性化的学习资源推荐策略,并构建学习资源推荐系统原型,通过云南“和校园”平台数据的测试及应用,对原型系统的有效性进行验证。最终,本文将构建的学习资源推荐系统,应用于云南“和校园”平台的学习资源推荐功能模块中,给K12阶段的学习者推荐个性化的学习资源,以满足云南“和校园”平台用户对学习资源的个性化需求。