分享5篇关于时间效应的计算机专业论文

今天分享的是关于时间效应的5篇计算机毕业论文范文, 如果你的论文涉及到时间效应等主题,本文能够帮助到你

基于灰色关联聚类的推荐算法研究

这是一篇关于推荐系统,灰色关联分析,灰色关联聚类,时间效应,推荐算法的论文, 主要内容为信息技术与社会经济的提升使得网民规模大幅度增加,同时互联网的信息与内容呈现变得更加混乱,如何使网民在过量的信息中迅速并且有效的寻找有价值的内容,是我们急待解决的问题。在这种情况下,推荐系统应运而生。在多年的发展中,基于近邻的推荐算法因原理简单并且高效,一直被广泛应用在各种推荐系统中。而基于近邻的推荐算法也存在一些不足,如数据稀疏性问题,用户冷启动问题,用户兴趣漂移问题等,同时在相似度计算时,也存在可分辨性问题。针对这些问题,本文通过研究分析相关文献,发现灰色系统理论对处理信息不明确的系统有很好的优势。按照灰色系统理论的相关步骤,先对项目或用户进行灰色聚类,缩小项目空间,可以使系统的复杂程度降低,然后对同一聚类内的项目或用户进行灰色关联分析,可以使系统的计算量减少。本文通过引入该理论,提出一种改进的混合推荐方案。主要研究工作有以下三点:(1)在基于近邻的推荐算法中,相似度计算的方法是影响推荐的重要因素,本文通过分析传统的相似度计算方法,发现存在计算可分辨性问题,而灰色关联相似度是由一些离散的点取均值得到,使用灰色关联相似度代替传统的相似度可以有效缓解这种问题。同时,由于用户的兴趣会随时间改变,所以在相似度计算公式中加入时间衰减函数,改善时间效应对推荐的影响。本文通过调节参数将两种相似度计算方式结合,提出一种基于灰色关联分析的混合推荐算法,并给出了算法的设计架构和步骤。通过选择不同的参数进行实验,在分辨系数等于0.3、调节参数等于0.6、邻居数等于40时,本文算法的推荐精度比传统的协同过滤、基于时间效应的协同过滤、基于灰色关联的协同过滤分别提高10%、6%、3%。(2)针对数据稀疏性问题,本文利用灰色关联聚类可以将同类因素归并,简化系统的复杂性,以及对样本量和样本的规律性无特定要求这种优势,提出一种基于灰色关联聚类的混合推荐算法。在使用基于灰色关联分析的混合推荐算法之前,先对项目聚类,缩小项目空间,然后在同一聚类内计算相似度,寻找近邻,最后将灰色关联聚类算法与基于灰色关联分析的混合推荐算法结合,结合后的算法不仅具有处理稀疏性数据的能力,而且对(1)中提出的问题也有改善的效果。同时聚类可以在线下计算,能显著提升推荐的效率。经过实验的验证,在聚类邻居数等于50时,本文算法推荐精度最高,比其他算法提升约3%,并且在聚类邻居数超过50时,算法趋于稳定,体现了灰色关联聚类对处理稀疏性数据的优势。(3)使用MovieLens数据集,进行仿真实验。首先分析算法的参数,寻找最优的值,然后在最优参数的条件下,再次进行实验。最后将本文算法与其他算法对比分析,在分辨系数等于0.3、调节参数等于0.6、聚类临界值等于0.7、邻居数等于50时,本文算法比其他算法的推荐精度有小幅度提升,验证了本文算法的合理性和可行性。

基于产品时效的协同过滤算法研究与应用

这是一篇关于协同过滤,相似度,推荐算法,时间效应的论文, 主要内容为互联网技术的发展和各种信息终端的不断更新换代,促进了大量信息的产生和传播,用户想要从大量数据中找出对自己有用的内容无异于大海捞针。因此很多电子商务网站使用了针对用户的个性化推荐技术:通过相应的推荐算法,从用户的历史行为数据中计算出用户的偏好,并向他们推荐可能喜欢的产品。虽然推荐算法能够有效地减少用户检索信息的时间,并提高用户的检索效率,但是许多传统的推荐算法仍然存在缺陷,除了冷启动、样本稀疏等问题以外,很多推荐算法都没有考虑到时间效应的重要性。因此本文将深入研究时间效应对产品热度的影响,综合产品热度的周期特性,以及用户兴趣随时间变化而变化的特性,对原有算法提出改进。本文的主要工作内容可以分为以下几点:(1)首先,本文综述了各种传统的推荐算法,包括基于内容、基于知识以及基于关联规则的推荐算法等。通过对各种算法的分析来比较出它们各自的不足,然后提出动态推荐的概念,引出时间效应对推荐算法精确度的影响。(2)由于产品的热度会随着时间变化而周期性变化,本文对传统的余弦相似度算法进行了改进。通过对产品时间效应的计算,优化了产品的相似度算法,同时考虑到部分产品的热度受时间变化的影响不大,本文把改进部分与原有算法按照一定的比例加权融合。实验证明,使用基于时间效应的余弦相似度算法提高了系统推荐结果的质量。(3)在改进相似度算法的基础上,对传统的协同过滤推荐算法进行了优化。协同过滤算法需要从用户对产品的评分中得到用户的喜好,但是用户的喜好会随着时间变化而变化。因此本文提出了用户兴趣的时间衰减模型,当评分时间距离当前时间越久,该评分的权重就越低。实验表明,改进后的算法在一定程度上提高了评分预测的准确度。(4)最后,本文通过使用Mahout的推荐引擎,搭建了一个基于JFinal框架的推荐系统,并展示了系统的推荐功能和优势。

基于时间效应的网上商场推荐系统研究与应用

这是一篇关于时间效应,协同过滤,用户聚类,商品推荐的论文, 主要内容为移动电子商务应用于商场购物之中可以给人们的购物带来便利,但商场信息过载问题却影响了人们快速且合适的选择商品,推荐系统的产生在一定程度上解决了此类问题。然而,用户随着时间发生的兴趣转移,对商品的动态推荐产生了需求。本文提出了基于时间效应的推荐系统,以根据时间变化动态生成推荐商品,支持精准营销。本文在对个性化推荐技术及数据挖掘等相关理论进行学习的基础上,分析了时间因素对用户兴趣所造成的影响,着重对基于时间效应的协同过滤推荐算法进行了研究。协同过滤推荐算法是指为用户推荐与其志趣相投的其他用户感兴趣的商品,本文基于时间效应的协同过滤推荐算法首先考虑了不同用户对商品的不同评价标准,以及不同类别的商品被用户评价也会有所差异的情况下,对商品评价进行归一化处理得到评价趋势,修正了用户对商品的评价矩阵,然后在艾宾浩斯遗忘曲线的启发下,认为人们对自己历史购物行为的遗忘也是符合非线性遗忘的规律,引入评价影响时间窗的概念,即认为用户对商品评价信息的影响力在此时间段内保持不变,然后通过添加时间窗这个参数对传统的时间权重函数进行了改进,得到了新的时间加权函数,使得用户对商品的评价更接近其对当前推荐的实际影响力,构建了时间加权的商品评价矩阵,解决了用户兴趣随时间迁移而发生改变的问题,接着改进了传统的相似用户聚类算法,通过在计算用户之间相似度的时候加入时间权重,将当前兴趣真正相似的用户聚类,使得聚类更加准确,并且在协同过滤之前构造目标用户的最近邻搜索候选集,使得本算法较为简单易计算,能够较快地响应用户,再通过基于用户的协同过滤算法,根据最近邻用户对商品的评价来计算目标用户对未评价商品的预测评价,而且在预测评价阶段也采用新的时间加权函数对商品评价进行时间加权,然后将预测评价较高的前N个商品推荐给用户。本文研发的推荐系统在某大型购物商场进行应用。以基于时间效应的协同过滤算法为核心构建了商场推荐系统。通过采用问卷形式对推荐系统进行的用户调查评测,验证了系统推荐的有效性和较高的用户满意度。

基于用户兴趣与时间效应相融合的个性化推荐算法研究与应用

这是一篇关于协同过滤算法,长短期记忆网络,用户兴趣,时间效应,评分预测的论文, 主要内容为近年来,众多专家都提出通过构建个性化推荐系统给用户推荐有效信息来缓解信息过载问题。高性能的推荐算法是推荐系统的核心,目前推荐算法主要面临数据稀疏、冷启动、兴趣漂移、时间效应等问题。针对上述问题,本文基于CF算法和LSTM算法,分别在用户兴趣及时间效应两方面进行了研究,主要研究内容如下:提出了一种在协同过滤算法基础上对用户潜在兴趣和时间效应的两方面进行研究的个性化混合推荐算法(IT-CF)。该算法利用标签信息挖掘用户的潜在兴趣偏好,采用TF-IDF思想计算用户对项目标签的偏好权重,并将艾宾浩斯遗忘曲线与时间窗函数进行融合获取时间权重函数。将改进后的标签偏好权重计算方式与改进后的时间权重函数应用到UserCF算法上,ItemCF算法仅进行时间效应上的改进。最后将两种改进后算法的评分预测结果进行融合,以获取最终的推荐列表。实验结果表明,与改进前的两种CF算法及与其研究方向相似的两种算法相比,本文提出的IT-CF算法提高了预测结果的准确度并优化了推荐结果的质量。提出了一种在LSTM算法基础上对用户评分偏好与用户行为时间间隔信息两方面进行研究的个性化混合推荐算法(RT-LSTM)。该算法在LSTM上引入时间门,设计了一种T-LSTM模型去挖掘用户行为的时间间隔信息对用户兴趣产生的影响,用T-LSTM对用户的序列化行为进行建模,并以用户评分信息作为用户对物品偏好的判别依据,将其结合到下一时刻的推荐预测中,确保预测出的物品是用户所喜爱的。通过实验结果分析,本文提出的RT-LSTM算法的短期预测成功率相较于同类算法有所提升。搭建了一个基于分布式系统架构的个性化视频推荐系统。首先从用户角度阐述了系统的需求,规划了推荐系统总体架构,然后基于上述两种算法设计了一款推荐引擎,并将推荐引擎集成到该系统中,最后建立了数据库表,完成了功能模块的开发。