發(fā)布時(shí)間：2021-07-28 08:32

　　煙草產(chǎn)業(yè)是云南省經(jīng)濟(jì)社會(huì)發(fā)展的重要支撐和財(cái)稅收入的主要來(lái)源,是當(dāng)前及今后相當(dāng)長(zhǎng)一個(gè)時(shí)期促進(jìn)全省經(jīng)濟(jì)持續(xù)健康發(fā)展的重要支柱產(chǎn)業(yè)。在煙草行業(yè)中,感官評(píng)吸技術(shù)已成為煙葉新品種培育、卷煙新產(chǎn)品研發(fā)、配方成分替換、品質(zhì)管理、市場(chǎng)預(yù)測(cè)等諸多方面的重要技術(shù)手段,能解決一般理化分析所不能解決的復(fù)雜生理感覺問題,實(shí)用性強(qiáng)、靈敏度高、結(jié)果可靠。由于卷煙產(chǎn)品的最終消費(fèi)形式是吸食,卷煙的風(fēng)格特征和香味品質(zhì)經(jīng)燃燒才能為消費(fèi)者提供直接感受,因此,對(duì)卷煙的感官評(píng)吸結(jié)果最能夠代表消費(fèi)者意志。然而,感官質(zhì)量評(píng)吸在卷煙評(píng)估的過(guò)程中也往往存在一個(gè)不可忽視的問題:由于評(píng)吸專家間存在評(píng)價(jià)尺度、各項(xiàng)感官質(zhì)量指標(biāo)的捕捉程度、耐煙量、感官閾值及靈敏度等方面的差異,導(dǎo)致不同專家對(duì)不同樣煙的評(píng)價(jià)結(jié)果無(wú)法直接地進(jìn)行橫向比較。評(píng)價(jià)結(jié)果的直接比較將無(wú)法真實(shí)反映樣煙之間的真實(shí)差異,直接將評(píng)價(jià)結(jié)果進(jìn)行比較將造成較大誤差,此類誤差很大程度源于評(píng)吸專家之間的異質(zhì)性。本文針對(duì)專家評(píng)吸數(shù)據(jù)集從三個(gè)部分對(duì)評(píng)價(jià)行為中的異質(zhì)性進(jìn)行相關(guān)數(shù)據(jù)分析:專家評(píng)價(jià)偏好、專家敏感指標(biāo)、專家評(píng)價(jià)結(jié)果的橫向可比性。根據(jù)部分專家歷史評(píng)分?jǐn)?shù)據(jù)對(duì)專家評(píng)價(jià)行為進(jìn)行相關(guān)研究,對(duì)煙草廠商、... 

【文章來(lái)源】：云南財(cái)經(jīng)大學(xué)云南省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

研究框架

第二章理論模型13第二節(jié)基本概念一、協(xié)同過(guò)濾協(xié)同過(guò)濾推薦技術(shù)的工作過(guò)程如圖2.2包括：建立用戶評(píng)分?jǐn)?shù)據(jù)模型、依據(jù)對(duì)象間相似度以選取最近鄰居、評(píng)分預(yù)測(cè)并依據(jù)預(yù)測(cè)評(píng)分生成推薦。圖2.2協(xié)同過(guò)濾算法過(guò)程1.建立用戶數(shù)據(jù)模型。數(shù)據(jù)經(jīng)處理將用戶評(píng)價(jià)數(shù)據(jù)轉(zhuǎn)化為用戶-項(xiàng)目評(píng)分矩陣，一般用矩陣(,)表示個(gè)用戶對(duì)個(gè)項(xiàng)目的評(píng)分矩陣。2.計(jì)算相似度并選取最近鄰居。選擇鄰居用戶的策略主要包括兩種：設(shè)定最近鄰個(gè)數(shù)k、設(shè)定相似度閾值，若目標(biāo)用戶與該用戶的相似度大于這個(gè)閾值，就選取該用戶作為鄰居用戶，本文選取與每個(gè)目標(biāo)專家相似度最高的5位近鄰專家（前25%）作為鄰居專家。比較常見的相似度度量方法包括余弦相似度、修正的余弦相似度、皮爾遜相關(guān)系數(shù)。①余弦相似度。假設(shè)兩個(gè)用戶對(duì)項(xiàng)目的評(píng)分向量分別為、，那么他們?cè)诠餐u(píng)分項(xiàng)目上的評(píng)分向量表示為、，‖‖、‖‖表示兩個(gè)評(píng)分向量的模長(zhǎng)。={|≠≠}（為全部項(xiàng)目合集）為兩用戶的共同評(píng)分項(xiàng)目集合，他們對(duì)共同項(xiàng)目的評(píng)分集合為、。則用戶和用戶的余弦相似度為：(,)=cos(,)=‖‖×‖‖=∑√∑2√∑2（2.1）②修正的余弦相似度。原始的余弦相似度忽略了用戶間評(píng)判尺度的差異，修

第二章理論模型16(→)=0.150.2×0.8=0.9375<1（2.13）該規(guī)則表明飲茶者和喝咖啡的人之間存在較小的負(fù)相關(guān)，我們將提升度大于1的規(guī)則視為有效規(guī)則，{茶}→{咖啡}為無(wú)效規(guī)則。本文運(yùn)用Apriori算法對(duì)專家評(píng)分行為相關(guān)規(guī)則進(jìn)行挖掘提取，核心原理為如果某個(gè)項(xiàng)集是頻繁項(xiàng)集，那么它所有的子集也是頻繁的。如圖2.3所示：若({})<；即{}出現(xiàn)的事務(wù)占事務(wù)總數(shù)的頻率小于最小支持度時(shí)，{}是非頻繁項(xiàng)集，其超集{,}、{,}、{,}、{,,}、{,,}、{,,}、{,,,}均是非頻繁項(xiàng)集，這些項(xiàng)集的支持度我們沒有必要去計(jì)算。若({})≥；即{}出現(xiàn)的事務(wù)占事務(wù)總數(shù)的頻率不小于最小支持度時(shí)，{}是頻繁項(xiàng)集，其子集{}、{}、{}、{,}、{,}、{,}均為頻繁項(xiàng)集。圖2.3Apriori算法挖掘過(guò)程三、聚類分析本文使用系統(tǒng)聚類，設(shè)有個(gè)樣本，每個(gè)樣本有個(gè)屬性，系統(tǒng)聚類的基本步驟為：先將每個(gè)樣本各自看成一類，總共有類，將類樣本中最相似的兩類合并成一個(gè)新類，得1類，再在這1類種找出最相似的兩類合并，得到2類，如此下去，直到將所有的個(gè)樣本合并成一個(gè)大類為止，并類中的關(guān)鍵是相似程度最高的優(yōu)先合并成一類。

【參考文獻(xiàn)】：
期刊論文
[1]基于關(guān)聯(lián)規(guī)則與變權(quán)重系數(shù)的變壓器狀態(tài)綜合評(píng)估方法[J]. 譚貴生,曹生現(xiàn),趙波,魏宏建,劉丹丹.  電力系統(tǒng)保護(hù)與控制. 2020(01)
[2]基于專家動(dòng)態(tài)生成的協(xié)同過(guò)濾推薦算法[J]. 賈彭慧,劉鑫一,孔亞斌,郗佳林.  計(jì)算機(jī)技術(shù)與發(fā)展. 2020(03)
[3]融合用戶興趣和評(píng)分差異的協(xié)同過(guò)濾推薦算法[J]. 陸航,師智斌,劉忠寶.  計(jì)算機(jī)工程與應(yīng)用. 2020(07)
[4]評(píng)價(jià)數(shù)據(jù)中的用戶偏好建模:一種基于隱變量模型的方法[J]. 雷震,闞伊戎,孫正寶,岳昆.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[5]基于蜂群K-means聚類模型的協(xié)同過(guò)濾推薦算法[J]. 李艷娟,牛夢(mèng)婷,李林輝.  計(jì)算機(jī)工程與科學(xué). 2019(06)
[6]關(guān)聯(lián)規(guī)則在高校教學(xué)質(zhì)量評(píng)價(jià)中的應(yīng)用研究[J]. 阮夢(mèng)勛,沈良忠.  電腦知識(shí)與技術(shù). 2018(02)
[7]改進(jìn)型關(guān)聯(lián)規(guī)則算法在教學(xué)評(píng)價(jià)系統(tǒng)中的研究[J]. 葉茂華.  山東工業(yè)技術(shù). 2017(23)
[8]基于貝葉斯網(wǎng)的評(píng)價(jià)數(shù)據(jù)分析和動(dòng)態(tài)行為建模[J]. 王飛,岳昆,孫正寶,武浩,馮輝.  計(jì)算機(jī)研究與發(fā)展. 2017(07)
[9]卷煙感官評(píng)價(jià)結(jié)果的統(tǒng)計(jì)分析方法研究[J]. 余江,詹建波,王浩,鄭晗,張瑩,張偉,王旭,高莉,顧建龍,付榮榮.  新型工業(yè)化. 2017(06)
[10]基于SOFM網(wǎng)絡(luò)的烤煙感官質(zhì)量聚類模式分析[J]. 邵惠芳,趙昕宇,許自成,李東亮.  中國(guó)煙草學(xué)報(bào). 2016(01)

博士論文
[1]煙葉質(zhì)量評(píng)價(jià)方法優(yōu)選與實(shí)證研究[D]. 胡建軍.湖南農(nóng)業(yè)大學(xué) 2009

碩士論文
[1]基于關(guān)聯(lián)規(guī)則與用戶興趣模型的個(gè)性化云服務(wù)推薦算法[D]. 未翠翠.北京郵電大學(xué) 2017
[2]基于關(guān)聯(lián)規(guī)則的住宅小區(qū)宜居性評(píng)價(jià)研究[D]. 元海燕.華北水利水電大學(xué) 2017
[3]基于貝葉斯網(wǎng)絡(luò)的卷煙配方規(guī)則提取和配方維護(hù)[D]. 吳雨露.東北大學(xué) 2017
[4]基于局部近鄰Slope One與動(dòng)態(tài)專家的協(xié)同過(guò)濾推薦算法研究[D]. 李劍鋒.湖南大學(xué) 2016
[5]統(tǒng)計(jì)視角下面向數(shù)據(jù)稀疏問題的協(xié)同過(guò)濾推薦算法研究[D]. 張娟娟.重慶工商大學(xué) 2016
[6]基于先驗(yàn)知識(shí)的卷煙感官評(píng)吸指標(biāo)預(yù)測(cè)方法[D]. 王歲寒.東北大學(xué) 2015
[7]基于聚類與關(guān)聯(lián)規(guī)則的客戶群消費(fèi)行為研究[D]. 周威.成都理工大學(xué) 2015
[8]基于數(shù)據(jù)挖掘的單料煙感官評(píng)吸指標(biāo)預(yù)測(cè)研究[D]. 徐翔禹.東北大學(xué) 2014
[9]數(shù)據(jù)挖掘在高校課堂教學(xué)評(píng)價(jià)中的應(yīng)用與研究[D]. 閆魁穎.中山大學(xué) 2014
[10]卷煙煙氣味覺研究以及預(yù)測(cè)模型建立[D]. 葉楠.華東理工大學(xué) 2012



本文編號(hào)：3307583