给大家分享5篇关于生鲜商品的计算机专业论文

今天分享的是关于生鲜商品的5篇计算机毕业论文范文, 如果你的论文涉及到生鲜商品等主题,本文能够帮助到你

基于图神经网络的生鲜商品推荐研究

这是一篇关于图神经网络,生鲜商品,推荐系统,图注意力网络,标签的论文, 主要内容为当前,在线购买商品逐渐成为一种主流,生鲜商品作为生活中必不可少的物资,正在经历着这种变革。各种生鲜电商平台中商品种类繁多,信息庞杂,用户往往难以进行有效选择,推荐系统的引入可以有效缓解该类问题。推荐系统主要通过分析用户的历史行为,向用户推荐其可能感兴趣的商品,从而提升用户体验。图神经网络因其可以通过图上节点信息的传播来学习节点的嵌入表示,已成为推荐系统研究的热点。但已有基于图神经网络的推荐方法,主要考虑用户与物品节点间信息的传播,较少考虑到物品与物品节点间信息的传播。本文考虑相似生鲜商品之间的信息传播,提出一种融入生鲜商品关联图的图神经网络推荐模型。模型从评论文本中提取能代表生鲜商品特征的标签,来构建生鲜商品关联图,并在用户—生鲜商品交互图和生鲜商品关联图上提取节点的特征,用于预测用户对生鲜商品的偏好程度,以提升推荐效果。本文具体工作如下:(1)针对传统推荐模型很少考虑到相似商品间的信息传播,构建了反映生鲜商品相似关系的商品关联图。论文首先使用Text Rank从用户对生鲜商品的评论中提取关键词,再通过Word2vec算法对关键词向量化,最后计算关键词之间的相似度,来生成生鲜商品的标签。并在此基础上,根据标签的共现构建生鲜商品—生鲜商品关联图。(2)针对传统推荐模型不能很好的处理非欧空间中的图结构数据问题,提出了一种融入生鲜商品关联图的图神经网络推荐模型。模型运用图注意力网络在用户—生鲜商品交互图和生鲜商品关联图中聚合、更新节点的特征信息。并在生鲜商品关联图上使用随机游走的方式采样高阶邻居,然后使用GRU单元捕获高阶邻居的信息,为商品提供更全面的特征表示。最后在京东电商平台爬取的真实数据集上进行了实验,验证了本文所提出的一种融入生鲜商品关联图的图神经网络推荐模型在生鲜商品推荐上的优势。

基于用户评价的生鲜电商商品综合排序算法研究

这是一篇关于生鲜商品,用户评价,情感分析,电商排序的论文, 主要内容为电子商务作为最近几年最为普及的用户购物媒介,其服务的用户数量级以亿计算,与之相伴的是成千上万的日成交量与访问量。在当前的线上购物环境下,为了提高用户消费体验以及收集用户购物意见,各大电商平台都以用户对某件商品历史评论数据作为商品的额外属性,一方面可以帮助消费者了解商品的真实情况,另外一方面也可以帮助电商平台获得用户的反馈意见。然而海量的评论数据存在质量参差不齐、信息鱼龙混杂等问题,使得用户与平台都无法便捷获得有效信息,因此对评论文本进行整体情感倾向分析对于有效信息获取具有十分重要的意义。所以如何将评价文本的情感倾向信息融入商品的排序,以便于为消费者推荐更优质的商品就成为了本文研究重点。针对当前商品排序存在的问题,本文提出了基于用户评价的情感分析下的综合排序方法,并以此排序作为商品推荐的依据。对于评论文本情感分析问题,以现有基于BERT的情感分析模型为基准,通过在语义层引入注意力机制实现对全局文本的语义加权,避免了文本部分位置表征缺失的问题。在已构建的电商平台文本数据集的实验表明,改进后的情感分析模型F1值为86.4%,相较于基准模型提高了1.6%。同时为了捕捉语料库中的全局词间的共现关系,加强不同文本句间的联系,本文将已构建的语料库构造成一个大型异构文本图,然后基于图神经网络在样本标签的监督下学习图中的每个节点表示,从而获得带有结构信息的节点特征。最终,将加权后的语义信息与全局关系信息进行拼接得到最终的评论文本表征。实验表明,融合语义信息与全局关系信息的情感分析模型F1值为88.5%,相较于基准模型提高了3.7%,接下来对商品的其他因素利用特征工程编码处理,结合商品评价信息的情感值因素,按照因子分析和主成分分析两种方法赋权,再依照加权后的综合得分进行商品推荐排序。由此可见,这种新的排序方法不仅考虑到原有的商品各项参数,还将用户评价情感倾向纳入排序决策过程。最终利用图表展示了新的排序结果,通过可视化分析说明了生成该排序可能的因素。本文针对电商商品的评论文本提出了融合加权语义和全局文本关系的情感分析模型,继而设计并实现了结合用户评价文本情感倾向的生鲜排序方法,使得用户与平台快速获得有效信息,提高了用户购物效率的同时也可以使商家更加注重商品的品质及售后,以便提供更周到的消费服务体验和更高品质的商品。

基于图神经网络的生鲜商品推荐研究

越库模式下的生鲜果蔬货物配送优化研究

这是一篇关于生鲜商品,直运越库配送,选址—路径优化,约束规划,G-BBO的论文, 主要内容为近年来,中国网络零售市场交易规模逐渐增大,“新零售”、“无界零售”等概念的提出,促使消费者进入了另一个线上消费高峰,尤其在生鲜这个商品类别中,消费者的消费理念和目标逐渐向高质量、差异化的方向发展,对生鲜的需求呈爆发式增长。物流是电商平台成功运营的重要支持与保障。虽然物流基础服务设施在不断完善,但目前生鲜物流企业的生鲜配送模式存在在库时间长、搬运次数多等缺陷,生鲜的货损率高达25%～40%,如此高的货损降低了消费者黏性,限制了电商平台和生鲜物流企业进一步发展。因此,如何降低生鲜商品货损、进行模式创新并输出优秀的物流方案是每个生鲜电商平台或生鲜物流公司亟须解决的问题。越库配送是常应用于零售企业和汽车制造业的一种配送模式,其具有供应链时间短,零库存等特殊优点。本文结合车辆满载率因素,将直运越库配送模式应用于生鲜物流企业的商品配送中,同时将越库中心的选址和车辆路径优化作为物流方案进行输出,深入研究了针对生鲜商品的直运越库选址—路径优化问题。本文开篇分析了问题的研究背景及意义,通过国内外研究成果找寻突破点和创新点,确定研究方向和方法论。随后分别对传统生鲜配送模式和直运越库生鲜配送模式分别进行阐述,同时分别介绍了选址—路径优化问题分类和相关算法,并对不同于传统的数学规划思想的约束规划进行了简介,为后续模型建立和算法设计打下基础。基于主体要素、成本构成、影响因素等详细分析,建立了生鲜货物直运越库选址—路径优化数学模型,并设计了精确算法和启发式算法对模型进行了求解,其中精确算法为基于约束规划的CPLEX求解,启发式算法为基于贪婪算法的生物地理学优化算法(G-BBO)。在算例分析部分,以上海市某生鲜物流企业真实运营数据为基础,先后进行了传统生鲜配送模式和直运越库生鲜配送模式的优劣对比、数学模型正确性检验和算法性能的比较。算例的最终结果证明直运越库生鲜配送模式可以有效降低生鲜货损和总运营成本,同时验证了本文所设计算法的有效性,为解决真实的大规模问题提供了重要优化途径。本文研究的主要创新性成果如下:(1)本文从配送模式上创新,将直运越库配送模式应用到生鲜商品的配送中,以减少生鲜货损并降低总运营成本。(2)本文基于问题分析,建立了生鲜商品直运越库选址—路径优化模型,对问题本质进行了正确抽象与描述。(3)在精确算法设计部分,利用约束规划思想,缩小CPLEX可行解的搜索空间,在一定程度上加快精确算法的求解速度。(4)在启发式算法设计部分,利用贪婪算法思想,分别从缩小初始解搜索空间和修复损坏的栖息地两个方面优化,加快算法收敛速度,并提高求解质量。(5)利用算例验证两种配送模式的优劣性,并通过五种算法运行结果进行算法性能比较,得出结论。