發(fā)布時間：2017-08-21 11:34

  本文關(guān)鍵詞：兩化融合知識平臺中的混合推薦算法研究

  更多相關(guān)文章： 兩化融合 推薦算法 協(xié)同過濾 相似度模型 學習行為

【摘要】：2007年,黨在“十七大”報告中提出了信息化與工業(yè)化深入融合,即“兩化融合”的概念。2010年的十七屆五中全會上,“十二五”規(guī)劃決議再次強調(diào)了“在推進產(chǎn)業(yè)轉(zhuǎn)型升級的過程中,加快推動兩化深度融合”。隨著工業(yè)化和信息化融合逐漸深入,兩化融合知識平臺在滿足工業(yè)企業(yè)用戶紛繁復雜的兩化信息需求的同時,產(chǎn)生了“信息過載”問題,即用戶無法從海量的案例中快速準確定位到自己所需要的信息。因此,亟需一個有效的推薦算法來解決兩化融合知識平臺中的“信息過載”問題。本文深入探討了兩化融合水平評價、用戶網(wǎng)絡學習行為和混合的協(xié)同過濾推薦算法,并將三者進行有機結(jié)合,進而提出了基于工業(yè)企業(yè)兩化融合水平評價與用戶網(wǎng)絡學習行為的推薦算法。首先,基于工信部《工業(yè)企業(yè)信息化和工業(yè)化融合評估規(guī)范》,提出了針對工業(yè)企業(yè)的兩化融合水平評價指標體系,構(gòu)建了基于工業(yè)企業(yè)兩化融合水平評價的相似度模型。其次,基于用戶瀏覽、收藏、下載三種典型網(wǎng)絡學習行為,提出了用戶網(wǎng)絡學習行為模型,構(gòu)建了基于用戶網(wǎng)絡學習行為的相似度模型。再次,基于以上兩種相似度模型分別產(chǎn)生鄰居選擇算法,并將不同鄰居選擇算法產(chǎn)生的預測值進行線性融合,構(gòu)建了基于工業(yè)企業(yè)兩化融合水平評價與用戶網(wǎng)絡學習行為的推薦算法。最后,使用J ava語言實現(xiàn)了所設計的算法,通過分析各參數(shù)對算法的影響,取得算法中參數(shù)的最優(yōu)值,并將該算法與已存在的推薦算法進行對比,從而驗證其有效性。實驗結(jié)果表明,基于工業(yè)企業(yè)兩化融合水平評價與用戶網(wǎng)絡學習行為的推薦算法能夠有效地緩解數(shù)據(jù)的稀疏性問題,同時提高推薦準確度。
【關(guān)鍵詞】：兩化融合 推薦算法 協(xié)同過濾 相似度模型 學習行為
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：F424;F49
【目錄】：

• 致謝5-6
• 摘要6-7
• ABSTRACT7-10
• 1 緒論10-17
• 1.1 研究背景10
• 1.2 國內(nèi)外研究現(xiàn)狀10-14
• 1.2.1 基于內(nèi)容的推薦算法11
• 1.2.2 基于協(xié)同過濾的推薦算法11-12
• 1.2.3 基于用戶特征的推薦算法12
• 1.2.4 混合的推薦算法12-13
• 1.2.5 研究現(xiàn)狀綜述13-14
• 1.3 研究內(nèi)容、組織結(jié)構(gòu)及創(chuàng)新點14-16
• 1.3.1 研究內(nèi)容14-15
• 1.3.2 組織結(jié)構(gòu)15
• 1.3.3 創(chuàng)新點15-16
• 1.4 本章小結(jié)16-17
• 2 相關(guān)理論與方法綜述17-22
• 2.1 兩化融合水平評價17-18
• 2.2 用戶網(wǎng)絡學習行為18-19
• 2.3 混合的協(xié)同過濾推薦算法19-20
• 2.4 本章小結(jié)20-22
• 3 基于工業(yè)企業(yè)兩化融合水平評價的相似度模型22-33
• 3.1 工業(yè)企業(yè)兩化融合水平評價指標體系構(gòu)建原則22
• 3.2 工業(yè)企業(yè)兩化融合水平評價指標體系總體框架22-24
• 3.3 工業(yè)企業(yè)兩化融合水平評價指標體系24-29
• 3.4 基于工業(yè)企業(yè)兩化融合水平評價的相似度模型29-31
• 3.4.1 現(xiàn)有相似度評價標準29-31
• 3.4.2 基于工業(yè)企業(yè)兩化融合水平評價的相似度模型的提出31
• 3.5 本章小結(jié)31-33
• 4 基于用戶網(wǎng)絡學習行為的相似度模型33-38
• 4.1 用戶偏好的獲取33
• 4.2 用戶網(wǎng)絡學習行為分析33-34
• 4.3 基于用戶網(wǎng)絡學習行為的相似度模型的提出34-37
• 4.3.1 用戶網(wǎng)絡學習行為模型的構(gòu)建35-36
• 4.3.2 引入負標注權(quán)重因子36-37
• 4.3.3 引入過度擬合懲罰函數(shù)37
• 4.4 本章小結(jié)37-38
• 5 基于工業(yè)企業(yè)兩化水平評價與用戶網(wǎng)絡學習行為的推薦算法38-43
• 5.1 問題定義38-39
• 5.2 鄰居選擇39
• 5.3 產(chǎn)生推薦39-42
• 5.4 本章小結(jié)42-43
• 6 實驗仿真與結(jié)果分析43-47
• 6.1 數(shù)據(jù)集和評價標準43-44
• 6.1.1 實驗數(shù)據(jù)集43
• 6.1.2 評價標準43-44
• 6.2 實驗方案設計44
• 6.3 實驗結(jié)果分析44-46
• 6.3.1 參數(shù)λ,θ對基于用戶網(wǎng)絡學習行為的相似度模型的影響44-45
• 6.3.2 兩種鄰居選擇算法對推薦效果的影響45-46
• 6.3.3 三種推薦算法的推薦效果比較46
• 6.4 本章小結(jié)46-47
• 7 結(jié)論與展望47-49
• 7.1 論文主要研究內(nèi)容總結(jié)47
• 7.2 未來研究工作展望47-49
• 參考文獻49-53
• 作者簡歷及攻讀碩士學位期間取得的研究成果53-55
• 學位論文數(shù)據(jù)集55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 劉賢鋒;劉同存;;基于屬性聚類的項目評分預測推薦算法研究[J];統(tǒng)計與決策;2012年18期

2 曾煒,向子貴,彭宏;一種改進的基于頻繁遍歷路徑的推薦算法[J];廣東商學院學報;2001年05期

3 李汶華;熊曉棟;郭均鵬;;一種基于案例推理和協(xié)商的群體推薦算法[J];系統(tǒng)工程;2013年11期

4 范進;;基于多元混合準則模糊模型的個性化推薦算法[J];華東經(jīng)濟管理;2007年02期

5 賀青春;;協(xié)同過濾推薦算法在銀行營銷系統(tǒng)中的應用[J];金融電子化;2014年03期

6 王鵬程;;基于WEB挖掘的個性化推薦算法研究[J];商業(yè)文化(下半月);2011年01期

7 金春華;;一種基于RFID技術(shù)的路徑推薦算法[J];物流技術(shù);2013年19期

8 劉勝華;董利紅;;基于內(nèi)容過濾的電子商務推薦算法分析[J];統(tǒng)計與決策;2006年17期

9 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 王韜丞;羅喜軍;杜小勇;;基于層次的推薦:一種新的個性化推薦算法[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2007年

2 唐燦;;基于模糊用戶心理模式的個性化推薦算法[A];2008年計算機應用技術(shù)交流會論文集[C];2008年

3 秦國;杜小勇;;基于用戶層次信息的協(xié)同推薦算法[A];第二十一屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2004年

4 周玉妮;鄭會頌;;基于瀏覽路徑選擇的蟻群推薦算法:用于移動商務個性化推薦系統(tǒng)[A];社會經(jīng)濟發(fā)展轉(zhuǎn)型與系統(tǒng)工程——中國系統(tǒng)工程學會第17屆學術(shù)年會論文集[C];2012年

5 蘇日啟;胡皓;汪秉宏;;基于網(wǎng)絡的含時推薦算法[A];第五屆全國復雜網(wǎng)絡學術(shù)會議論文（摘要）匯集[C];2009年

6 梁莘q，

本文編號：712670