两化融合知识平台中的混合推荐算法研究

发布时间：2017-08-21 11:34

  本文关键词：两化融合知识平台中的混合推荐算法研究

  更多相关文章： 两化融合 推荐算法 协同过滤 相似度模型 学习行为

【摘要】：2007年,党在“十七大”报告中提出了信息化与工业化深入融合,即“两化融合”的概念。2010年的十七届五中全会上,“十二五”规划决议再次强调了“在推进产业转型升级的过程中,加快推动两化深度融合”。随着工业化和信息化融合逐渐深入,两化融合知识平台在满足工业企业用户纷繁复杂的两化信息需求的同时,产生了“信息过载”问题,即用户无法从海量的案例中快速准确定位到自己所需要的信息。因此,亟需一个有效的推荐算法来解决两化融合知识平台中的“信息过载”问题。本文深入探讨了两化融合水平评价、用户网络学习行为和混合的协同过滤推荐算法,并将三者进行有机结合,进而提出了基于工业企业两化融合水平评价与用户网络学习行为的推荐算法。首先,基于工信部《工业企业信息化和工业化融合评估规范》,提出了针对工业企业的两化融合水平评价指标体系,构建了基于工业企业两化融合水平评价的相似度模型。其次,基于用户浏览、收藏、下载三种典型网络学习行为,提出了用户网络学习行为模型,构建了基于用户网络学习行为的相似度模型。再次,基于以上两种相似度模型分别产生邻居选择算法,并将不同邻居选择算法产生的预测值进行线性融合,构建了基于工业企业两化融合水平评价与用户网络学习行为的推荐算法。最后,使用J ava语言实现了所设计的算法,通过分析各参数对算法的影响,取得算法中参数的最优值,并将该算法与已存在的推荐算法进行对比,从而验证其有效性。实验结果表明,基于工业企业两化融合水平评价与用户网络学习行为的推荐算法能够有效地缓解数据的稀疏性问题,同时提高推荐准确度。
【关键词】：两化融合 推荐算法 协同过滤 相似度模型 学习行为
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F424;F49
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-10
• 1 绪论10-17
• 1.1 研究背景10
• 1.2 国内外研究现状10-14
• 1.2.1 基于内容的推荐算法11
• 1.2.2 基于协同过滤的推荐算法11-12
• 1.2.3 基于用户特征的推荐算法12
• 1.2.4 混合的推荐算法12-13
• 1.2.5 研究现状综述13-14
• 1.3 研究内容、组织结构及创新点14-16
• 1.3.1 研究内容14-15
• 1.3.2 组织结构15
• 1.3.3 创新点15-16
• 1.4 本章小结16-17
• 2 相关理论与方法综述17-22
• 2.1 两化融合水平评价17-18
• 2.2 用户网络学习行为18-19
• 2.3 混合的协同过滤推荐算法19-20
• 2.4 本章小结20-22
• 3 基于工业企业两化融合水平评价的相似度模型22-33
• 3.1 工业企业两化融合水平评价指标体系构建原则22
• 3.2 工业企业两化融合水平评价指标体系总体框架22-24
• 3.3 工业企业两化融合水平评价指标体系24-29
• 3.4 基于工业企业两化融合水平评价的相似度模型29-31
• 3.4.1 现有相似度评价标准29-31
• 3.4.2 基于工业企业两化融合水平评价的相似度模型的提出31
• 3.5 本章小结31-33
• 4 基于用户网络学习行为的相似度模型33-38
• 4.1 用户偏好的获取33
• 4.2 用户网络学习行为分析33-34
• 4.3 基于用户网络学习行为的相似度模型的提出34-37
• 4.3.1 用户网络学习行为模型的构建35-36
• 4.3.2 引入负标注权重因子36-37
• 4.3.3 引入过度拟合惩罚函数37
• 4.4 本章小结37-38
• 5 基于工业企业两化水平评价与用户网络学习行为的推荐算法38-43
• 5.1 问题定义38-39
• 5.2 邻居选择39
• 5.3 产生推荐39-42
• 5.4 本章小结42-43
• 6 实验仿真与结果分析43-47
• 6.1 数据集和评价标准43-44
• 6.1.1 实验数据集43
• 6.1.2 评价标准43-44
• 6.2 实验方案设计44
• 6.3 实验结果分析44-46
• 6.3.1 参数λ,θ对基于用户网络学习行为的相似度模型的影响44-45
• 6.3.2 两种邻居选择算法对推荐效果的影响45-46
• 6.3.3 三种推荐算法的推荐效果比较46
• 6.4 本章小结46-47
• 7 结论与展望47-49
• 7.1 论文主要研究内容总结47
• 7.2 未来研究工作展望47-49
• 参考文献49-53
• 作者简历及攻读硕士学位期间取得的研究成果53-55
• 学位论文数据集55

【相似文献】

中国期刊全文数据库 前9条

1 刘贤锋;刘同存;;基于属性聚类的项目评分预测推荐算法研究[J];统计与决策;2012年18期

2 曾炜,向子贵,彭宏;一种改进的基于频繁遍历路径的推荐算法[J];广东商学院学报;2001年05期

3 李汶华;熊晓栋;郭均鹏;;一种基于案例推理和协商的群体推荐算法[J];系统工程;2013年11期

4 范进;;基于多元混合准则模糊模型的个性化推荐算法[J];华东经济管理;2007年02期

5 贺青春;;协同过滤推荐算法在银行营销系统中的应用[J];金融电子化;2014年03期

6 王鹏程;;基于WEB挖掘的个性化推荐算法研究[J];商业文化(下半月);2011年01期

7 金春华;;一种基于RFID技术的路径推荐算法[J];物流技术;2013年19期

8 刘胜华;董利红;;基于内容过滤的电子商务推荐算法分析[J];统计与决策;2006年17期

9 ;[J];;年期

中国重要会议论文全文数据库 前10条

1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集（技术报告篇）[C];2007年

2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年

3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集（技术报告篇）[C];2004年

4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年

5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文（摘要）汇集[C];2009年

6 梁莘q，

本文编号：712670