分享5篇关于排序模型的计算机专业论文

今天分享的是关于排序模型的5篇计算机毕业论文范文, 如果你的论文涉及到排序模型等主题,本文能够帮助到你

基于排序模型的个性化推荐系统设计及研究

这是一篇关于排序模型,推荐系统,逻辑回归,因子分解机的论文, 主要内容为随着互联网的深入发展,网络中的信息量迅速增加,若不能有效的处理和利用如此复杂而庞大的信息将会导致信息的过载。推荐系统能从海量的数据当中发现用户与信息的联系,有效地解决信息过载问题。本文使用了排序模型对不同推荐算法的生成结果进行重新排序,将推荐问题转换为排序问题以提升推荐的效果。同时,采用了 Storm流式处理框架来建立基于排序模型的个性化推荐系统以解决推荐的实时性问题。首先,基于对真实业务场景的分析,针对推荐个性化的要求,结合常见统计学方法以及梯度提升决策树等机器学习方法对模型的特征进行筛选。同时,为提升模型的表达能力和预测准确性,对筛选后的特征进行组合及离散化处理。其次,利用处理后的特征分别建立逻辑回归和因子分解机两种排序模型,研究不同的特征组合及参数对模型造成的影响,并在相同数据集下比较两者之间的差异从而挑选出合适的排序模型。最后,围绕挑选出的排序模型,采用Storm流式处理框架建立个性化推荐系统。针对系统的实时性问题,将整个推荐系统分为五个关键模块:重排序模块、特征存储模块、实时样本生成模块、模型存储模块和在线训练模块。其中,重排序模块、特征存储模块和模型存储模块负责实现系统的实时推荐功能,而实时样本生成模块和在线训练模块负责实现系统模型的实时训练和更新。实现后的系统能在实时为用户提供推荐服务的同时对排序模型进行更新,从而达到更好的推荐效果。

基于图神经网络的用户行为分析和个性化推荐

这是一篇关于协同过滤,Node2Vec,时间衰减因子,召回模型,排序模型的论文, 主要内容为在当前大数据的时代背景下,推荐系统已经开始在各种各样的场景下使用,尤其是在电商平台、新闻资讯、视频网站等场景。在视频推荐的应用场景下,本文对用户短期的交互行为数据、用户个人特征数据和视频特征数据进行分析,采用召回和排序两个阶段为每个用户生成一个个性化视频推荐列表。在召回阶段中,基于用户的交互行为数据构建以视频为节点的网络图,采用图神经网络中Node2Vec算法来提取视频的特征表示向量,进而得到视频-视频之间的相似度矩阵。结合用户-视频的交互矩阵进行协同过滤,为每个用户初步筛选得到一个大小为200的视频候选集。本文在传统协同过滤的基础上,引入时间衰减因子对用户-视频交互矩阵进行改进,来突出用户兴趣随时间变化的特点。通过实证对比分析发现,加入时间衰减因子后召回率为0.297124,这个指标相比于未改进的模型增加了1.4%,说明用户兴趣的变化是用户行为的分析中的一个重要因素。在实际业务中,可以对用户的兴趣区分长期兴趣、中期兴趣和短期兴趣进行分析。在排序阶段,基于用户特征数据和视频特征数据,以用户是否观看视频为目标训练排序模型,分别训练了逻辑回归、XGBoost、Light GBM和Deep FM模型,结果发现基于特征工程后训练的XGBoost模型效果优于推荐领域流行的Deep FM模型。本文采用模型融合的方法得到最终的排序模型,该融合后的模型相较于单一最优模型AUC指标提升了1.296%。在实际建模过程中,本文对用户特征和视频特征进行了特征工程,从用户角度构造了用户兴趣偏好、用户活跃度等特征,从视频特征角度构造了视频流行度以及对视频标签、导演和演员重要性等特征。通过XGBoost模型的特征重要性分析发现,基于用户兴趣画像构建的用户兴趣偏好特征是最重要的特征,说明本文构造的特征对于结果的预测是有必要的。最终,对召回阶段得到的候选视频集采用排序模型进行精准排序得到一个长度为30的个性化视频推荐列表,基于加入时间衰减因子后的召回模型和排序模型组合得到的召回率最高,达到0.235789。

基于图神经网络的用户行为分析和个性化推荐

基于知识图谱的地点检索技术研究

这是一篇关于知识图谱,地点检索,空间语义索引,查询算法,排序模型的论文, 主要内容为随着互联网的日渐普及,信息检索成为当今生活中不可或缺的部分,其中与空间信息相关的地点检索更是用户日常检索中的重要组成部分。然而随着数据量的急剧增大,传统基于文本的关键词检索方式在检索速度和准确度方面都受到了巨大的挑战。为了解决大数据背景下检索速度和检索准确度较低的问题,知识图谱应运而生。基于知识图谱的地点检索以用户语义为核心,将知识抽象为实体,并利用用户的查询时间、空间位置等信息试图理解用户在某个时刻某个地点的查询语义和期望需求,从而有效的提升地点检索的速度和准确度。知识图谱地点检索方法主要分为图数据库检索和RDF(Resource Description Framework)数据检索。图数据库检索方式具有较高的检索速度,但是无法充分综合用户语义和空间信息进行结果筛选和排序,检索准确度不高,另外用户需要了解底层存储结构和查询语言,不能适用广大的普通用户;基于RDF数据的检索方法能较好的表达语义信息,其中KSP(Top-K Relevant Semantic Place Retrieval)是一种目前在小规模RDF有向图上具有较好效果的检索方法,然而为了表达更完整的语义信息需要将RDF有向图转化为RDF无向图形式,这导致数据量大大增加,现有方法无法在大规模RDF无向图上进行高效且准确的地点检索。本文根据KSP检索思想设计了一种面向大规模RDF无向图数据的地点检索方法,该方法旨在提高检索的速度和准确度,具体包括数据预处理、索引构建、查询算法和结果排序四部分内容。首先在离线阶段进行数据预处理并生成待解决的问题模型,其次根据语义和空间信息构建语义距离索引、空间索引以及空间语义混合索引,并分别对索引进行优化以降低索引的存储和查询开销。在检索阶段,本文设计了一种包含模糊查询和精确查询的两阶段查询策略,在利用索引信息进行地点检索的同时进行动态的界限剪枝优化,进一步提升检索速度,最后构建了一种基于Skyline的指数型Top-K排序模型对检索结果集进行筛选和排序,提高了检索准确度。本文根据上述理论基础设计并实现了KPR(Knowledge-Graph Place Retrieval)系统。搭建实验环境并使用开源知识库Yago和DBpedia数据进行实验测试和对比分析。实验结果表明,KPR系统在大规模RDF无向图下具有较高的检索速度和准确度,并根据索引优化方法降低了索引构建的开销代价,提升了检索系统的整体性能。