5个研究背景和意义示例,教你写计算机嵌入论文

今天分享的是关于嵌入的5篇计算机毕业论文范文, 如果你的论文涉及到嵌入等主题,本文能够帮助到你

互联网与陕西武县农村经济变迁研究——基于电商下乡的民族志调查

这是一篇关于农村电商,武县,农村经济变迁,嵌入,驯化的论文, 主要内容为基于互联网技术催生的农村电商,是中国乡村在信息化、数字化、现代化语境中发展新经济的探索。目前关于农村电商的研究主要聚焦于理论层面以及对一些国内外的著名电子商务模式进行个案讨论。但是对电子商务在农村地区的“嵌入”和“驯化”过程以及从电子商务的角度去讨论农村地区的经济变迁的研究较少。所以本文以陕西武县为个案,采用民族志的调查方法,扎根具体的社会语境对电商嵌入农村地区以及农村居民对电商技术的“驯化”而引发的乡村经济变迁进行研究。本研究发现,互联网环境下催生的电商这一科技产物与农村地区紧密结合,因地制宜发展成为农村电商,并且在嵌入农村地区的过程中,给农村的社会变迁,特别是经济生活带来了根本性的变化。农村村民在互联网环境以及电商技术的包围中,逐渐接受这个新生事物,并且尝试利用电商技术来体验科技社会带来的生活上的便利以及职业上的身份转化。本研究还发现,农村电商在嵌入武县农村的过程中,在当地政策的支持下被视为促进经济发展的重要战略,得到了政府的大力推广。最先使用电商技术的多是村里的“能人”,在政府的推动下,普通民众逐渐开始认识和利用电商技术进行经济活动。电商在嵌入初期,对农村村民的生活方式影响较深,这些影响体现在农产品的销售和日常消费行为上,但是表面上表现出来的生活习惯的改变实质上则引发了武县村民内在身份的变化,一些村民成功实现由农变商。不过,电商技术在嵌入武县农村的过程中也面临一些阻碍,长时间以来形成的固化的生活习惯、经济方式和思维在驯化电商技术的过程中会产生诸多困难,这些问题若得不到解决就会成为电商在农村发展的障碍。本文的研究意义在于从农村电商的角度对陕西武县农村的经济变迁进行研究可以扩展新媒体与社会发展这一方面的研究内容,丰富与之相关的民族志研究成果。并且利用“嵌入”与“驯化”理论进行分析,突破了传统的从扶贫与乡村振兴的视角去理解和研究农村电商的问题,促使我们从一个全面的角度去看待电商技术与农村经济变迁。同时,本研究可以为解决农村地区发展的不平衡问题提供新思路,还可以为我国农村地区的数字化发展提供一些借鉴经验。

M（?）biusE：在M（?）bius环上的知识图谱嵌入

这是一篇关于知识图谱,嵌入,Torus,M(?)bius,平移距离的论文, 主要内容为近年来,知识图谱从提出、到创建再到应用,得到了越来越多的关注和发展。知识图谱是真实世界中既有事实的集合,诸如YAGO、NELL、NELL等大型知识图谱被创建出来,并有效的应用于一些实际任务中——语义解析、命名实体消歧、信息抽取和问答等。知识图谱是一张由不同实体(节点)、多种关系(边)构成的大型关系图。但又由于实体、关系的多样化和不同的表现形式,给我们如何以一种统一的方法来研究知识图谱带来了难度,知识图谱嵌入问题就由此而产生。知识图谱嵌入是将构成知识图谱的实体和关系表征成连续向量空间中的向量,这样既能简化操作,同时又保留了知识图谱的内在结构。如此一来,知识图谱补全、关系抽取、实体分类、实体解析等基于知识图谱的这些下游任务,便可以得到更有效的处理与解决。绝大多数的知识图谱的嵌入方法,主要是根据已有的事实集合。首先,将实体和关系表示成连续向量空间中的向量;接下来,定义一个评分函数来衡量每个事实的合理性;最后,知识图谱的嵌入空间可以通过最大化,这些事实集合的合理性来获得。对于这种表现形式的知识图谱嵌入,又可以主要分为平移距离模型和语义匹配模型,其中平移距离模型主要是使用基于距离的评分函数,主要是将一个实体向量利用关系向量进行平移变换后,再来比较与另一个实体向量之间的距离,而语义匹配模型主要是使用基于相似度的评分函数,通过比较实体嵌入向量和关系嵌入向量的潜语义来衡量整个嵌入空间的合理性。本文提出了一种全新的知识图谱嵌入模型——M(?)bius E,属于平移距离模型。该模型,主要是将实体和关系嵌入到一个M(?)bius环的表面。这种模型的提出主要是受到Torus E的启发。Torus E是将实体和关系嵌入到一个Torus环的表面,在进行评分函数的计算和事实可能性最大化时,将实体和关系向量的每一维元素进行相加,并进行模运算。从这一点来看,Torus E自然保证了知识图谱嵌入中嵌入向量的有界性。然而,Torus E仅通过模运算来实现Torus E加法计算的非线性,这在某种程度上限制了Torus E的表达能力。作为Torus E的进一步推广,M(?)bius E也使用模运算来保证运算时的非线性。但是M(?)bius环面上的向量的却有如下特性:环面上任一向量沿轨迹线绕移动一个周期后,会变成其原来的相反向量。也就是说,实体和关系嵌入的向量有多种数学形式。这样的性质,使得在M(?)bius嵌入空间中,有更多的可能来拟合整个知识图谱的上实体和关系,也就更有可能得到更好的结果。在本文的实验中,M(?)bius E在几个关键指标上优于Torus E和其他经典嵌入模型。

Optimization of Neural Collaborative Filtering for Web Pages Recommendation

这是一篇关于推荐算法,深度神经网络,协同过滤,嵌入,卷积的论文, 主要内容为网页是互联网最重要的内容载体形式,推荐系统是互联网的核心应用技术。随着深度学习技术的发展,深度神经网络在语音识别,计算机视觉和自然语言处理方面取得了巨大的成功。但是,在推荐系统领域对深度神经网络的探索相对前两者较少,而且在涉及到协同过滤建模的关键因素即用户和物品特征之间的交互时,目前的工作仍倾向于使用矩阵分解的方法,并在用户和物品的潜在特征上应用内积运算,此种处理方法容易导致用户交互信息丢失的问题。为了解决该问题,在本文的工作中,主要致力于基于神经网络的技术来探索在隐式反馈的基础上优化网页推荐算法中的协同过滤这一关键问题。本论文的主要技术工作包括:(1)提出了一种基于卷积神经网络的深度协作推荐方法,该技术具有外积矩阵和混合特征选择特性,引入stack interaction map来增加输入特征的表达能力,采用interaction map来编码更多的潜在信号。此外,引入CNN技术以及背景基于交互图技术来学习用户-项目特征关系信息。(2)为了有效地捕获项目之间的相关性,还设计了混合特征选择模块,使用逐点卷积、一般平均池和atrous多尺度机制来学习局部和全局项目相关性。最后,该方法还融合了广义矩阵分解的权重来优化整体网络性能以防止过度拟合。(3)设计了封装了挤压和激励机制的卷积残差特征块,以在学习用户-项目关系时恢复通道方式和潜在的信息丢失。本论文提出的技术方法,在多个数据集上进行了一系列实验验证,并证实了技术方法的有效性。

面向高维数据比较的联合t-分布随机邻近嵌入方法

这是一篇关于高维数据,投影,嵌入,t-分布随机邻近嵌入的论文, 主要内容为高维数据分析在推荐系统、社交网络、生物信息学等众多领域具有重要的研究意义和应用价值。对数据进行可视比较是高维数据分析最重要的任务之一,能够帮助人们确定它们之间的内在联系和共同规律。比如对多变量时序数据作比较,可以挖掘其中潜在的演变规律;或者对深度神经网络不同层的特征图作比较,可以帮助人们理解每个层对内部表示的变换。然而,由于高维数据的复杂性,直接对其进行比较是极其困难的。通过把数据投影到低维空间,人们能够实现比较任务,从而推测出数据本身的变化。对每个数据单独投影是实现该目标最简单的一种方法,但由于许多降维算法优化过程的随机性和不可预测性,这种方法通常会引入不符合需求的变化,比如具有完全相同特征的数据点在前后两次降维结果中可能出现在不同位置。因此,该方式不适用于比较任务。在现有的针对比较任务设计的降维方法中,动态t-分布随机邻近嵌入(Dynamic t-distributed Stochastic Neighbor Embedding,Dynamic t-SNE)是最先进和最具有代表性的工作之一。该方法在经典的t-SNE算法基础上引入一个额外的损失函数项来惩罚每个数据点在不同降维结果中位置的移动。尽管这种方式实现了视觉上的一致性,但对每个点绝对位置的严格约束很容易造成降维结果的失真。除此之外,Dynamic t-SNE要求一次性接收完整的高维数据序列进行优化,计算负担大,内存占用高,因此不适用于流式数据的降维。为了解决上述问题,本文主要工作如下:(1)提出了一种新的可比较降维方法——联合t-分布随机邻近嵌入(Joint t-SNE),它能够为多个高维数据集生成连贯的投影。该方法基于高维空间中的图元频率分布(Graphlet Frequency Distribution,GFD)来捕捉数据点在相邻时间帧之间的相似度,然后使用一个额外的损失项——向量约束,来指导优化过程,以保持跨数据帧中投影点之间的边向量。(2)通过定性和定量的评估,证明Joint t-SNE能够为多个数据集生成同时满足一致性和真实性的降维结果。Joint t-SNE解决了以往方法添加全局约束,不能够反映高维数据局部变化的缺点,更易于用户进行比较任务;同时每次只需要接收两帧数据进行计算,大幅降低了计算成本。(3)将基于GFD的相似度和向量约束应用到了另外几种常见的降维算法上,并通过大量实验证明了该方法的高度可扩展性。