使用BP神经网络缓解协同过滤推荐算法的稀疏性问题

推荐质量低是协同过滤推荐技术面临的主要难题之一、数据集的极端稀疏是造成推荐质量低的主要原因之一．常见的降维法和智能Agent法虽然某种程度上能缓解这个问题,但会导致信息损失和适应性等问题．设计了一个新的协同过滤算法,根据用户评分向量交集大小选择候选最近邻居集,采用BP神经网络预测用户对项的评分,减小候选最近邻数据集的稀疏性．该算法避免了降维法和智能Agent法的缺点,而且实验结果表明,该方法能提高预测值的准确度,从而提高协同过滤推荐系统的推荐质量．     

基于BP神经网络的石化过程在线故障监测系统

针对石化生产过程的高危性,开发了石化过程在线故障监测系统.通过OPC(OLE for process control)接口从生产现场采集实时数据,采用BP神经网络(back-propagation artificial neural network,BPNN)的模式识别方法,对生产过程进行实时故障监测,及时发现故障工况并提示操作人员采取相应措施,以减小系统运行的风险.BP神经网络的训练数据来自历史数据库,用户根据已发生过的故障工况确定训练数据的时间范围.BP网络模型的各项参数根据多次试验得到.对某工段的10个故障,其故障诊断准确率达到90%以上,具有较高的实时性和准确性.     

基于BP神经网络固相流量的在线检测

气固两相流中固相流量的在线测量对气固两相流工业过程的检测和控制具有重要的意义。现以电厂煤粉气力输送的气固两相流中煤粉质量的在线测量为背景,提出基于神经网络的固相质量流量的测量方案,并对使用的BP算法进行几点改进。最后实验结果表明,这种基于神经网络的固相质量流量测量方案是行之有效的,并且具有简单易行和普遍适用的特点。     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生。随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度。     

推荐系统中在线特征提取研究

推荐系统作为目前主流的推荐形态已经在各大平台上获得了广泛应用.推荐系统最核心的要求是实时性,推荐系统的存在形态是一种实时在线的推荐方式,能够根据用户的动态兴趣变化实时调整推荐结果和推荐顺序,因此用户实时的兴趣变化捕捉和分析尤为重要.     

一种基于协同过滤技术的在线交友推荐系统的设计与实现

为了满足年轻人在交友择偶方面需求,越来越多的征友网站应运而生.随着网站用户不断增加,根据用户提交的交友要求来进行推荐,往往结果数以千计或万计,要从这里面发现用户感兴趣的对象变得非常困难,我们将协同过滤算法引入交友推荐系统,并设计了一个个性化相似项目的协同过滤算法,根据用户的兴趣进行项目最近邻居查找,大大提高了用户对搜索结果的满意度.     

基于需求线索的电子商务推荐系统

传统电子商务推荐系统采用离线方式分析和处理客户需求信息,因而丧失了时效性.为解决相关问题,提出了基于需求线索的推荐系统.给出了系统的基本模型、数据结构、关键算法以及运行流程.该系统采用需求线索跟踪的方式收集客户当前的需求信息,从而进行需求倾向分析;并在需求VS商品叠加空间中匹配和检索需要推荐的商品与客户.在线营销仿真实验表明,系统具有较好的及时响应能力和较高的客户满意度.     

一种基于PVM的并行BP神经网络

通过分析单计算机的BP神经网络学习和执行算法,提出了使用PVM构造多计算机的并行神经网络。该并行神经网络的实现灵活应用于高可靠性和大规模数据的分析和处理中,同时,该BP神经网络的并行设计与实现,可广泛应用于其他神经网络模型的并行计算机实现。     

一个基于BP神经网络的电子商务招标模型

随着电子商务的快速发展,传统招标模式将被电子商务招标模式所取代。该文提出了一个实现全自动化招标的电子商务招标模型BMBP,一个用BP神经网络实现评标的电子商务招标平台。讨论了BMBP的招标、投标、评标流程。BMBP提供自动化的招标服务,提高了招标的效率和公正性。BMBP用BP神经网络实现评标,方便了评标工作,保证了评标的客观性。同时,BMBP提供多种评标模式,提高了模型的适应性。     

基于BP神经网络的防火墙系统综合性能评估方法研究

本文建立了防火墙系统综合性能评估指标体系，探讨了基于BP神经网络的防火墙系统综合性能评估方法，并给出了评估模型及算法实现。在Matlab中的仿真实验证明该方法是可行的。     

基于社交网络的信息推荐系统

随着互联网的快速发展,从海量信息中获取感兴趣的信息越来越困难。推荐系统正是解决这一难题最热门的技术之一。数据稀疏性问题是当前推荐系统所面临的主要问题之一。为了缓解数据稀疏性的问题,本文借助社交网络,提出了一种融合用户社交网络的推荐算法,将用户在社交网络中的亲密度引入推荐系统。在实验部分,本文采用百度电影推荐算法创新大赛的数据集,设计实验验证了提出算法的有效性。实验结果表明,本文提出的算法能够有效地缓解传统协同过滤算法面临的数据稀疏性问题,明显提高预测的准确性。     

基于BP神经网络的虚拟物品个性化设计推荐

通过提取玩家在网络游戏数据库中的数据特征,用基于BP神经网络的数据挖掘方法挖掘出玩家对虚拟物品的各种属性的偏好,为设计开发个性化的虚拟物品提供决策支持。针对传统神经网络中很难获取有广泛代表性的训练样本、常常导致普通神经网络对陌生样本推荐时精度不高的问题,提出改进的BP神经网络,依据专家知识对神经网络的权重进行初始化,并根据训练样本对权重加以微调。仿真案例验证了该方法的有效性。     

基于ACM在线评测推荐系统模型研究

针对目前用户对在线程序评判系统选题目盲目问题,建立了ACM在线评测推荐系统模型。通过定义题目的难度系数及所属知识点类型,对用户所做题目运用web数据挖掘技术,进行归类挖掘,然后运用基本推荐策略将题目推荐给用户,通过此平台用户登录在线评判系统网站不再盲目选题。     

基于迁移学习的卷积神经网络通道剪枝

卷积神经网络在计算机视觉等多个领域应用广泛,然而其模型参数量众多、计算开销庞大,导致许多边缘设备无法满足其存储与计算资源要求。针对其边缘部署困难,提出使用迁移学习策略改进基于BN层缩放因子通道剪枝方法的稀疏化过程。本文对比不同层级迁移方案对稀疏化效果与通道剪枝选取容限的影响;并基于网络结构搜索观点设计实验,探究其精度保持极限与迭代结构的收敛性。实验结果表明,对比原模型,采用迁移学习的通道剪枝算法,在精度损失不超过0.10的前提下,参数量减少89.1%,模型存储大小压缩89.3%;对比原剪枝方法,将剪枝阈值从0.85提升到0.97,进一步减少参数42.6%。实验证明,引入迁移策略更易实现充分的稀疏化,提高通道剪枝阈值选取容限,实现更高压缩率;并在迭代剪枝的网络结构搜索过程中,提供更高效的搜索起点,利于快速迭代趋近至搜索空间的一个网络结构局部最优解。     

基于异构信息网络的推荐系统

随着互联网、计算机等技术的深入发展,互联网为用户带来了各类网络服务用于增进用户交流。其中,问答社区为用户提供了提问和回答的交流平台,其目的是通过互联网实现用户间的知识经验分享和信息传播。但仍存在一些问题限制问答社区的发展,例如随着用户数量的不断增长,大量问题得不到及时回答且提问者对已有问题的回答并不满意。因此,对于问答社区来说,如何从大量的用户中找到专家用户是非常重要的。针对以上问题,本文提出一种基于异构信息网络的推荐方法,首先对问答社区中的问题属性和用户属性建立异构信息网络,利用元路径来捕捉异构信息网络中丰富的语义信息,然后使用基于元路径的相似度计算方法分别计算问题与用户的相似度矩阵,采用3种方式将得到的相似度矩阵与问题-用户评分矩阵相融合,然后使用矩阵分解获得问题和用户的潜在特征,最后使用因子分解机进行训练和推荐。在海川化工问答数据集上将本文提出的方法同多种先进的推荐算法进行对比,并利用评价指标对模型进行评估。实验结果表明,本文提出的算法在相关评估指标方面相较于之前的算法具有一定优势。     

基于数据流和点对点网络的分布式推荐算法

推荐算法是数据挖掘中应用最广泛的算法之一,目前的推荐算法主要是针对静态数据的,缺乏对动态数据的适应性,基于数据流的推荐算法是解决这一问题的方法。针对目前在分布式平台中采用参数服务器控制模型训练存在的滞后梯度和掉队者问题,提出了一种新的使用点对点参数交换网络代替参数服务器的方法,并在训练过程中引入遗忘策略和异常评分检测能力。在新的分布式流计算框架Flink上进行设计实现,并在经典的MovieLens-1m数据集上进行了实验。实验结果表明,该算法能够在保证推荐准确率的同时,降低一半通讯开销。     

基于知识图谱技术的线上教学资源推荐系统设计与实现

【目的】本文立足于线上教学资源领域,利用知识图谱相关技术,设计并实现一种融合多种推荐策略的推荐系统。【应用背景】线上教学资源种类繁杂、数量众多,且缺乏规范化构建和系统化管理,为教师管理教学资源及学习者查找有效信息造成诸多不便。【方法】通过设计知识图谱数据结构,构建全学科内知识语义关联,融合图嵌入和规则抽取的方法,实现教学资源推荐。【结果】本文提出的线上教学资源推荐系统已应用于南开大学教学资源网平台,在多学科领域内的知识点推荐中展现出较好的效果。【结论】通过实验结果分析,验证了本文推荐系统在缓解“长尾效应”方面的有效性,并通过可视化案例分析,验证了其实用性。     

应用卷积神经网络的学习推荐系统

在传统的学习过程中,学习者需要题海战术来了解和完善自身的知识掌握情况。这就面临着练习题目重复、单调、冗余与知识点零散、片面、不连贯的问题。针对这一现象,本文提出了一种基于卷积神经网络对接标签的学习推荐系统。该系统通过个性化推荐来满足个体化差异,大大提高了用户的学习效率,为用户提供了一个更加完整、全面、连贯的知识体系。     

一种基于用户网络签到行为的地点推荐方法

基于位置的地点推荐服务日益强调用户的个性化需求。对此,可通过社交网站上用户与其好友之间、用户与签到地点以及地点与地点之间的关联,来从用户的网络签到行为中总结出用户的出行特点,从而提出一种基于用户网络签到行为的个性化地点推荐方法。该方法通过融合用户对地点的个人偏好程度、地点自身属性对用户的影响程度以及用户好友对地点的推荐程度,来筛选出候选地点中满足用户个性化需求的地点。实验结果验证了该方法在一定场景下的可行性和有效性。     

第三方网上支付企业核心竞争力评价

通过对网上支付行业环境、产业链和主要企业的分析,构建了具有14个评价指标的第三方网上支付企业核心竞争力评价指标体系。设计了BP神经网络模型,选择了6家样本企业进行训练、3家企业进行测试,并运用BP神经网络模型定量识别第三方网上支付企业核心竞争力强弱。研究表明:BP评价模型与传统的线性评价模型相比,具有更高的动态性和自学习性,评价结果误差小,精度高,能充分反映第三方网上支付企业核心竞争力的真实状况,为第三方网上支付企业核心竞争力的打造提供了基准,同时对第三方网上支付企业核心竞争力进行定量评价开辟了一条新途径。