面向团购电商的推荐技术及应用框架的研究与实现
这是一篇关于团购电商,合作者推荐,网络嵌入,截断游走的论文, 主要内容为随着线上支付技术与线下物流网络的日益成熟,团购电商的发展势头也变得愈加强劲,俨然是电子商务产业的下一个风口。然而团购电商场景相当复杂,不仅有买家与商品之间的购买关系,还有买家与买家之间的“拼团”关系,即多人一起合购同一种商品。在电子商务繁荣发展的今天,如何为电商买家推荐合适的商品这一问题已有深刻的研究,而如何为一个团购电商买家推荐恰当的合购者这一问题的研究却未曾展开。为此,本文对团购电商中的合购者推荐技术进行研究,并重点关注其中的弱相似合购者推荐问题,即在一次团购交易中,参与购买的不仅有强相似的合购者,还有弱相似的合购者,推荐合购者时还必须要考虑到这些弱相似合购者。本文先是提出了一个基于连接的合购者推荐方案PDSDNE(PathSim Diffused Structural Deep Network Embedding),将团购交易数据处理成交易网络形式,在交易网络中显式连接弱相似合购者与团购发起买家,以此使得发起团购买家关联到弱相似合购者,最终使用栈式自编码器嵌入表达交易网络,获得团购交易网络中商品、买家节点的嵌入向量,然后根据嵌入向量产生包括弱相似合购者在内的合购者推荐列表。为进一步提升推荐性能,本文从网络嵌入的另一个角度出发,提出一个基于近邻的合购者推荐方案cop2vec(co-purchaser to vector),cop2vec是一种更为平滑网络嵌入推荐方案,能够从网络中获得有利于弱相似合购者的向量表示,且不用添加额外的信息,不会对原始网络造成破坏。最后获得的嵌入向量能够产生更高准确率与召回率的合购者推荐列表。在系统实现方面,本文设计并实现了一个面向团购电商的推荐应用,使用Django进行开发,整个应用完整可用且良好的可视化效果。相较于传统的推荐方法,本文提出的推荐方法更能适应于团购电商场景,在一名买家发起团购时,本文方法能够有效地推荐包括弱相似者在内的其他人参与团购,这将会为团购电商平台上的买家带来更好的购物体验。
基于学术数据的个性化推荐系统的设计与实现
这是一篇关于BERT模型,LDA模型,困惑度,期刊推荐,合作者推荐的论文, 主要内容为计算机科学与其他学科的交叉是信息技术发展的关键,同时,科研成果反映了学科交叉的融合程度。对于学者而言,在已有的海量学术数据中获得有价值的信息以及对个人研究成果进行产出是其科研的必经之路,同时也是学科交叉成果逐步完善的过程。因此,设计并实现一个面向计算机学科的交叉学科服务系统具有非常重要的理论价值和现实意义。在充分参考了已有学术服务系统的功能和特点后,本文围绕着信息交叉、学术交流、个性化推荐以及学者合作等问题设计了学术推荐系统,利用深度学习技术分别提出了期刊推荐模型和合作者推荐模型,提高了个性化推荐的精确度,同时改进了信息检索方法,加快检索速度。主要研究内容如下:(1)提出了面向科研成果的期刊推荐模型。针对期刊推荐中信息不对称和信息稀疏等问题,分别刻画了论文画像和期刊画像,并构建了“期刊-论文”数据模型。通过利用论文属性表征期刊主题,提出了期刊推荐模型LDA-BERT(简称L-BERT模型)。首先,利用分词技术和LDA主题模型分类出表征论文特性的主题词,结合预设的困惑度值确定主题词数目;其次,利用BERT模型实现主题词向量化,结合均值思想确定表征期刊的向量值;最后,利用欧式距离获得论文和拟推荐期刊的相似度值,结合高相似度值确定最终推荐结果。(2)提出了面向学者的学术合作者推荐模型。针对学者画像的多样性和学术影响的差异性等问题,构建了“期刊-兴趣”数据模型,并利用学者学术影响因子表征学者特点,提出了多学术影响因子推荐模型。首先,利用学者属性的差异性确定了不同属性的重要程度,进而得到学者影响力公式;其次,利用学者研究兴趣形成基于期刊的学术圈;最后,利用影响力公式获得学术圈内拟推荐的学者。(3)实现了多维度期刊检索方法。针对如何提高检索效率问题,利用分词技术和LDA构建了“期刊-主题”数据模型,将模型的数据存入数据库并建立索引,实现了根据关键词快速检索期刊的需求。(4)融合个性化推荐和信息检索的学术推荐系统的设计与实现。通过分析推荐系统的功能结构,结合Django框架开发了面向计算机相关研究的学术推荐系统,实现了对期刊的推荐和检索。
基于共同作者图的合作者推荐系统
这是一篇关于共同作者图,合作者推荐,顶点相似度,主题相似度,LDA,WPRS的论文, 主要内容为随着网络时代的发展,学术交流越加广泛,合作者推荐技术系统的研究和开发,对于拓展学术作者之间的更进一步合作有重大的意义。本文研究了共同作者图建立和相似度计算的理论以及实现了基于共同作者图的合作者推荐系统。主要工作如下：1.共同作者图的建立。采用网页爬虫(HtmlUnit、Jsoup)以及用户上传的方式获取用于构建共同作者图的论文元数据；基于论文元数据构建共同作者图；采用静态存储边以及动态更新的方式实现共同作者图的动态扩展；基于论文的摘要信息,利用隐含狄利克雷分布(LDA)聚类方法确定论文的主题分布,以此来计算主题相似度。2.共同作者图相似度的计算。合作者推荐系统合作者推荐的标准是推荐相似度,本文利用指数加权论文作者在共同作者图上的顶点相似度和论文作者在论文主题上的主题相似度作为合作者推荐的推荐相似度。(1)顶点相似度,本文提出路径加权关系强度(WPRS)相似度的计算方法,通过自动限定搜索层次的广度优先算法在应用可行的时间内初始化整个共同作者图的顶点相似度。通过对不同的顶点相似度计算方法在初始化效率和推荐性能上对比,验证了WPRS在系统应用上的优越性。(2)主题相似度,在通过LDA聚类出论文主题的基础下,统计作者在各个主题的主题兴趣度,作为主题相似度的计算结果。3.合作者推荐系统的设计与实现。合作者推荐系统设计包括系统数据库的设计、数据预处理和更新框架、共同作者图的查询框架、合作者推荐请求框架。合作者推荐系统的实现包括共同作者图查询模块、合作者推荐模块、用户权限管理模块以及论文上传模块。
基于学术数据的个性化推荐系统的设计与实现
这是一篇关于BERT模型,LDA模型,困惑度,期刊推荐,合作者推荐的论文, 主要内容为计算机科学与其他学科的交叉是信息技术发展的关键,同时,科研成果反映了学科交叉的融合程度。对于学者而言,在已有的海量学术数据中获得有价值的信息以及对个人研究成果进行产出是其科研的必经之路,同时也是学科交叉成果逐步完善的过程。因此,设计并实现一个面向计算机学科的交叉学科服务系统具有非常重要的理论价值和现实意义。在充分参考了已有学术服务系统的功能和特点后,本文围绕着信息交叉、学术交流、个性化推荐以及学者合作等问题设计了学术推荐系统,利用深度学习技术分别提出了期刊推荐模型和合作者推荐模型,提高了个性化推荐的精确度,同时改进了信息检索方法,加快检索速度。主要研究内容如下:(1)提出了面向科研成果的期刊推荐模型。针对期刊推荐中信息不对称和信息稀疏等问题,分别刻画了论文画像和期刊画像,并构建了“期刊-论文”数据模型。通过利用论文属性表征期刊主题,提出了期刊推荐模型LDA-BERT(简称L-BERT模型)。首先,利用分词技术和LDA主题模型分类出表征论文特性的主题词,结合预设的困惑度值确定主题词数目;其次,利用BERT模型实现主题词向量化,结合均值思想确定表征期刊的向量值;最后,利用欧式距离获得论文和拟推荐期刊的相似度值,结合高相似度值确定最终推荐结果。(2)提出了面向学者的学术合作者推荐模型。针对学者画像的多样性和学术影响的差异性等问题,构建了“期刊-兴趣”数据模型,并利用学者学术影响因子表征学者特点,提出了多学术影响因子推荐模型。首先,利用学者属性的差异性确定了不同属性的重要程度,进而得到学者影响力公式;其次,利用学者研究兴趣形成基于期刊的学术圈;最后,利用影响力公式获得学术圈内拟推荐的学者。(3)实现了多维度期刊检索方法。针对如何提高检索效率问题,利用分词技术和LDA构建了“期刊-主题”数据模型,将模型的数据存入数据库并建立索引,实现了根据关键词快速检索期刊的需求。(4)融合个性化推荐和信息检索的学术推荐系统的设计与实现。通过分析推荐系统的功能结构,结合Django框架开发了面向计算机相关研究的学术推荐系统,实现了对期刊的推荐和检索。
基于学术数据的个性化推荐系统的设计与实现
这是一篇关于BERT模型,LDA模型,困惑度,期刊推荐,合作者推荐的论文, 主要内容为计算机科学与其他学科的交叉是信息技术发展的关键,同时,科研成果反映了学科交叉的融合程度。对于学者而言,在已有的海量学术数据中获得有价值的信息以及对个人研究成果进行产出是其科研的必经之路,同时也是学科交叉成果逐步完善的过程。因此,设计并实现一个面向计算机学科的交叉学科服务系统具有非常重要的理论价值和现实意义。在充分参考了已有学术服务系统的功能和特点后,本文围绕着信息交叉、学术交流、个性化推荐以及学者合作等问题设计了学术推荐系统,利用深度学习技术分别提出了期刊推荐模型和合作者推荐模型,提高了个性化推荐的精确度,同时改进了信息检索方法,加快检索速度。主要研究内容如下:(1)提出了面向科研成果的期刊推荐模型。针对期刊推荐中信息不对称和信息稀疏等问题,分别刻画了论文画像和期刊画像,并构建了“期刊-论文”数据模型。通过利用论文属性表征期刊主题,提出了期刊推荐模型LDA-BERT(简称L-BERT模型)。首先,利用分词技术和LDA主题模型分类出表征论文特性的主题词,结合预设的困惑度值确定主题词数目;其次,利用BERT模型实现主题词向量化,结合均值思想确定表征期刊的向量值;最后,利用欧式距离获得论文和拟推荐期刊的相似度值,结合高相似度值确定最终推荐结果。(2)提出了面向学者的学术合作者推荐模型。针对学者画像的多样性和学术影响的差异性等问题,构建了“期刊-兴趣”数据模型,并利用学者学术影响因子表征学者特点,提出了多学术影响因子推荐模型。首先,利用学者属性的差异性确定了不同属性的重要程度,进而得到学者影响力公式;其次,利用学者研究兴趣形成基于期刊的学术圈;最后,利用影响力公式获得学术圈内拟推荐的学者。(3)实现了多维度期刊检索方法。针对如何提高检索效率问题,利用分词技术和LDA构建了“期刊-主题”数据模型,将模型的数据存入数据库并建立索引,实现了根据关键词快速检索期刊的需求。(4)融合个性化推荐和信息检索的学术推荐系统的设计与实现。通过分析推荐系统的功能结构,结合Django框架开发了面向计算机相关研究的学术推荐系统,实现了对期刊的推荐和检索。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/56083.html
