检索结果-南通市图书馆

作者：王博瑞兰州大学

学位级别：硕士

对于股票价格的预测是近几年来机器学习和深度学习领域中热门的研究方向之一,其主要方法是将原始的股票价格序列送入神经网络,通过神经网络进行拟合,最终对未来的价格进行预测。更进一步地,研究人员会对原始股票价格序列进行处理,比如... 详细信息

对于股票价格的预测是近几年来机器学习和深度学习领域中热门的研究方向之一,其主要方法是将原始的股票价格序列送入神经网络,通过神经网络进行拟合,最终对未来的价格进行预测。更进一步地,研究人员会对原始股票价格序列进行处理,比如使用时间序列的方法,或者给原始股票价格序列加上权重,使其更符合一般投资者的经验直觉。通过上述的方法进行组合研究,也是该领域的热门方向之一。本文就是基于过去学者所提出的方法进行组合研究,并针对中国股市提出了一种新型混合模型EEMD-TW-GRU。本文将以中国A股市场中4支行业不同且上市时间较长的股票作为数据集对本文所提出模型进行验证。将数据集划分为训练集和测试集,将四支股票的收盘价格序列分别进行分解,并且对分解后的子序列加上权重,送入神经网络进行拟合,最终将分解的预测结果进行加总得到最终所需的预测价格。其中时间序列分解方法采用了Wu和Huang等人提出的EEMD方法,预测模型为Cho等人提出的循环神经网络GRU,子序列所加的权重为本文所提出的方法。实例研究结果显示,本文所提出的方法能有效提高A股收盘价格预测的精度,对于投资者在股票市场中投资有一定的参考意义。同时本文还进行了时间序列分解方法的比较研究,对比了4种不同时间序列分解方法在股票价格预测中的表现。研究结果可为后续该领域的研究提供参考。

关键词： LSTM GRU 时间序列分解时间权重

推荐系统中基于用户偏好建模的动态协同过滤推荐方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

推荐系统中基于用户偏好建模的动态协同过滤推荐方法研究

作者：吴佳炜南京师范大学

学位级别：硕士

大数据的时代背景下,数据信息日新月异,用户很难在海量数据中提取出对自已有益或者感兴趣的内容,所以如何解决信息过载给用户带来的困扰是人工智能和大数据时代面临的重要难题。推荐系统的出现成为解决信息过载问题的突破口,它能够帮助... 详细信息

大数据的时代背景下,数据信息日新月异,用户很难在海量数据中提取出对自已有益或者感兴趣的内容,所以如何解决信息过载给用户带来的困扰是人工智能和大数据时代面临的重要难题。推荐系统的出现成为解决信息过载问题的突破口,它能够帮助挖掘用户潜在的兴趣点,是个性化服务领域的重要分支。在推荐系统的研究过程中,协同过滤算法是至今应用最广泛的推荐算法,其核心思想是利用用户对项目的评分数据挖掘某种相似性来产生推荐,不过该算法也存在着诸如冷启动、数据稀疏、扩展性差等问题。在分析了众多推荐方法的基础上,针对推荐系统中传统的协同过滤推荐存在的问题,以基于项目的协同过滤推荐为基础,本文提出了一种新的基于用户偏好建模的动态协同过滤推荐方法,其主要思想是:利用皮尔逊相关系数法计算用户间相似度,从而对用户进行聚类,使得同一类中的用户相似度较高,不同类间的用户差别较大。聚类过后,根据类中用户评分数据的集中程度确定不同类别的用户偏好项目,以此为基础找出与目标项目共同评分较多的候选邻居项目集,进一步筛选之后生成目标项目的最近邻项目列表。此外,在项目相似度计算中引入时间权重因子,通过用户在某一时间段内访问过的项目集的数据记录来确定基于时间的用户兴趣加权函数,该加权函数反映了用户对项目的兴趣随时问的变化。时间权重因子的加入提高了计算项目相似度的精度,从而进一步提高了推荐质量。本论文在MovieLens数据集上进行实验。实验结果表明,本论文提出的基于用户偏好建模的动态协同过滤推荐方法相比传统的基于用户和基于项目的协同过滤推荐,推荐效果更好。

关键词：协同过滤推荐系统用户偏好相似度时间权重

基于指标发展特征的综合评价方法及对创新竞争力评价的应用

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于指标发展特征的综合评价方法及对创新竞争力评价的应用

作者：周义东北大学

学位级别：硕士

综合评价广泛地存在于社会、管理、经济等多个领域,是决策分析研究的重要组成部分。综合评价是指对被评价对象所进行的客观、公正、合理的全面评价。随着社会经济的快速发展,人们面对的评价问题也越来越复杂。针对同一个被评价对象,需... 详细信息

综合评价广泛地存在于社会、管理、经济等多个领域,是决策分析研究的重要组成部分。综合评价是指对被评价对象所进行的客观、公正、合理的全面评价。随着社会经济的快速发展,人们面对的评价问题也越来越复杂。针对同一个被评价对象,需要考虑一定时间段内的评价信息,并将这种在传统的经典综合评价问题之上融入时间因素的新评价问题称之为动态综合评价问题。因此,如何科学、客观的在动态评价环境中对被评价对象的发展状况进行评价已成为决策者需要解决的关键问题。本文在整理分析相关文献的基础上,对指标发展状态的动态综合评价问题进行了探讨和研究,主要研究工作如下:(1)提出了考虑指标增量的动态综合评价方法。针对多指标多时段的动态综合评价问题,综合考虑被评价对象指标值和指标增量,利用离差平方和最大化方法求得各时刻指标权重,运用离差平方和最小化确定整个时段的指标权重,建立了一种等差时间函数来确定时间权重,在动态评价过程中凸显评价信息的客观性,并用实例验证了方法有效性。(2)提出了体现发展趋势的动态综合评价方法。针对动态综合评价中没有考虑被评价对象指标发展趋势的问题,定义了发展因子,运用发展因子作用于各被评价对象指标值来体现在某一时刻的发展程度,在纵横向拉开档次法的基础上采用离差平方和最小化的方法确定指标权重,建立了一种指数时间函数来确定时间权重,在动态评价过程中凸显评价信息的发展趋势,并用实例验证了方法有效性。(3)提出了体现激励特征的动态综合评价方法。针对动态综合评价中不同时刻被评价对象指标值的增益不同,从考虑被评价对象在整个时段内的发展情况入手,设定被评价对象各指标的优、劣增益水平,在此基础上反推出各指标在各时刻的优、劣激励点,利用纵横向拉开档次法求得整个时段的指标权重系数,在动态评价过程中凸显评价信息的激励作用,并用实例验证了方法有效性。(4)进行动态综合评价方法的应用。建立评价流程图,按照该流程图进行应用操作。介绍中国省域创新竞争力评价的应用背景,构建省域创新竞争力指标体系和选取指标数据,比较分析动态综合评价方法的特点,选取体现发展趋势的动态综合评价方法对各省域2009—2013年实际指标数据进行测定和结果分析。最后,总结本文的主要研究结论,同时对需要进一步研究内容进行了展望。

关键词：综合评价动态综合评价指标权重时间权重区域创新竞争力

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于遗忘函数和用户的协同过滤推荐算法研究

基于遗忘函数和用户的协同过滤推荐算法研究

作者：成伟丹浙江工业大学

学位级别：硕士

随着网络的发展,在音乐、购物、阅读、电影等方面,我们更加依赖网络带来的便利。随着用户数目的增加、新兴产品的出现,导致了系统所需存储的数据量日益增加。在“数据过载”时代,如果能够从大量数据中获取有价值的信息,那么就能为用户... 详细信息

随着网络的发展,在音乐、购物、阅读、电影等方面,我们更加依赖网络带来的便利。随着用户数目的增加、新兴产品的出现,导致了系统所需存储的数据量日益增加。在“数据过载”时代,如果能够从大量数据中获取有价值的信息,那么就能为用户提供更好的服务。因此在电子商务、社交网络、视频网站等平台上,个性化推荐技术的应用受到了很多关注。目前应用最为广泛的个性化推荐技术是协同过滤推荐技术。协同过滤推荐是通过分析用户的历史行为记录得到用户可能感兴趣的商品,从而为用户进行的推荐。考虑到用户的兴趣存在改变现象,而目前关于兴趣迁移的协同过滤推荐都无法根据用户的实际遗忘过程对项目赋予合适的权重,因此推荐也就不准确。本文采用将艾宾浩斯遗忘曲线拟合后得到的非线性遗忘函数来描述用户的兴趣迁移,对此提出基于遗忘函数和用户的协同过滤推荐改进算法,即在计算相似度时,加入遗忘函数因子来体现用户兴趣的变化。采用改进算法在电影数据集MovieLens和EachMovie中分别进行实验及评估,实验结果表明本文提出的改进算法在两个不同的电影相关数据集中均能提高推荐准确性。因此,采用拟合遗忘曲线后的遗忘函数描述用户兴趣迁移可以为视频网站的影片推荐提供可参考的改进方向。

关键词：协同过滤遗忘函数时间权重用户相似度

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间和类型特征的协同过滤算法优化研究

基于时间和类型特征的协同过滤算法优化研究

作者：石鸿瑗重庆大学

学位级别：硕士

当今社会的信息过载现象让推荐系统发挥着越来越重要的作用,各类推荐算法也因此被不断地提出。但是随着网络信息的数据量和复杂性都在快速地增大,推荐算法存在的问题和不足逐渐突显出来。信息过期问题就是目前推荐算法面临的又一新的挑... 详细信息

当今社会的信息过载现象让推荐系统发挥着越来越重要的作用,各类推荐算法也因此被不断地提出。但是随着网络信息的数据量和复杂性都在快速地增大,推荐算法存在的问题和不足逐渐突显出来。信息过期问题就是目前推荐算法面临的又一新的挑战,与此同时,在大规模系统产生了大量的待推荐项目后,如何从中选择最合适的Top N个项目推荐给用户,也是现在的推荐系统需要考虑的优化方向。针对信息过期问题,过去的研究认为远期信息对推荐的参考价值没有近期信息的参考价值高,因此引入时间遗忘函数作为时间权重,削弱过去信息对当前推荐的影响力。但是只考虑信息权重随时间衰减是不完善的,它忽略了用户对连续关注的信息的印象增强,会使过去这些信息影响力提升的效应。所以本文提出了一种融合时间和类型特征加权的矩阵分解协同过滤算法,首先将前人改进的结合信息保持期的时间权重加入矩阵分解模型中,得到引入改进时间权重的矩阵分解协同过滤算法,然后在此基础上提出类型影响力加强权重,修正上述时间权重,以解决信息影响力提升效应的问题。并且通过在电影数据集MovieLens上的实验,比较本文提出的算法与现有的基于邻域的时间加权协同过滤算法以及基于矩阵分解的协同过滤算法,验证了本文提出的算法可以取得更好的推荐效果,适用于利用评分进行推荐的系统,比如电影评分推荐、音乐评分推荐、图书评分推荐等推荐系统。在对推荐项目有数量限制的推荐系统中,如果经过推荐算法预测的高评分项目较多,为了让推荐对用户有效,就还需要考虑用户采纳推荐建议的概率大小。所以本文提出了基于PageRank的类型敏感过滤算法,该算法根据电影推荐系统中用户的观影数据,构建关于电影类型的网络图并进行改进的PageRank迭代过程,然后基于此提出用户对电影类型的选择倾向度,选择倾向度高的电影会被推荐给用户。对比常用的按评分从高到低推荐的方法,本文通过实验验证了用户会优先选择经类型敏感过滤算法过滤后的推荐项目。

关键词：推荐算法协同过滤矩阵分解时间权重 PageRank

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

一种新的Web结构挖掘算法的研究

一种新的Web结构挖掘算法的研究

作者：刘王峰西安电子科技大学

学位级别：硕士

Web数据挖掘是数据挖掘技术和Internet应用研究相结合的研究领域,现已成为数据挖掘领域的重点研究方向。Web结构挖掘是Web数据挖掘中的一个很重要的方面,其经典算法有HITS算法和PageRank算法。虽然这两种算法都取得了定的成效,但是也都... 详细信息

Web数据挖掘是数据挖掘技术和Internet应用研究相结合的研究领域,现已成为数据挖掘领域的重点研究方向。Web结构挖掘是Web数据挖掘中的一个很重要的方面,其经典算法有HITS算法和PageRank算法。虽然这两种算法都取得了定的成效,但是也都存在一些不足之处,如主题漂移现象。本文在对经典的Web结构挖掘算法HITS和PageRank进行了深入研究和分析的基础上,针对这两种经典算法的一些不足之处,提出了一种集超链接、超链接权重和时间权重三位于一体的新的算法—ANWSMA。该算法首先采用HITS算法中构造基集的思想得到有向图,然后用时间权重替换PageRank算法中的阻尼因子,同时针对链向网页的重要程度不同赋予不同的超链接权重,计算网页等级值,最后进行排序输出。最后,通过测试与分析,验证了ANWSMA算法的合理性和有效性。

关键词： Web结构挖掘 PageRank HITS 时间权重 ANWSMA

基于时间反馈和主题相关度的页面排序算法改进研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时间反馈和主题相关度的页面排序算法改进研究

作者：刘鹤辽宁大学

学位级别：硕士

HITS算法是流行的网页排序算法,然而随着互联网中数据量不断激增,在排序结果中该算法一方面存在偏重旧网页问题,另一方面存在页面排序质量问题,因此许多学者对算法做出了改进。针对偏重旧网页问题,也就是最终查询排名靠前的常常是在互... 详细信息

HITS算法是流行的网页排序算法,然而随着互联网中数据量不断激增,在排序结果中该算法一方面存在偏重旧网页问题,另一方面存在页面排序质量问题,因此许多学者对算法做出了改进。针对偏重旧网页问题,也就是最终查询排名靠前的常常是在互联网中存在较长时间的页面。从时间维度考虑,由于页面的发布日期格式不规范,时间参数获取困难,所以本文考虑了在周期内爬虫爬取到网页出现的次数T,将时间次数T根据牛顿冷却公式给出时间函数,作为时间权重。然而由于在互联网中用户的搜索行为日益增长,因此参考了N-Step页面排序思想,考虑到了用户在下一步进行页面选择时的概率,不仅仅涉及到页面本身的入链与出链数同样也包括与该页面存在链接关系的所有页面的链入与链出页面数,并进一步加入时间权重。作为权重因子融入到HITS算法中命名为Ti HITS算法（Timed HITS）。在不同查询主题下进行实验,将Ti HITS算法与原始HITS算法、TM-HITS算法进行对比该算法提高了搜索结果中最新发布网页的命中率,平均提高20%-40%,可见Ti HITS算法惩罚旧页面的有效性。在页面排序质量问题中,每个页面被分配相同的权重,导致给不同相关度的页面赋予不合理的权值,有学者提出了页面流行度权重与网站权威度权重,进而为每个页面赋予不同的权重值。综合两种权重的思想得到权威值高的页面取决于它的入链,因此本节提出页面权威度权重。从页面的角度出发,评估网页内容的粘性时突出的指标就是跳出率,进而本文考虑了网页跳出率因素,并将跳出率权重与页面权威度权重相结合融入到页面排序算法HITS中。需要注意的是对于新出现的页面来说,所接受的链接往往没有那些旧的页面多,因而得不到较高的等级。在前面提出的Ti HITS算法通过实验证明新页面的排名上升。因此除了在提出的新算法将两种权重融合之外还需进一步融合时间权重。最终得到Ti WBRHITS算法（Timed web Bounce Rate HITS）算法,在针对不同的查询主题实验过程中,利用爬取门户网站数据将Ti WBRHITS算法与HITS算法、IHITS算法进行实验对比。实验结果表明Ti WBRHITS算法比上述两种算法的查准率提高20%-30%。

关键词： HITS 权威度中心度跳出率时间权重

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合环境信息的协同过滤推荐算法

融合环境信息的协同过滤推荐算法

作者：李爱梅燕山大学

学位级别：硕士

目前，推荐系统作为信息过滤技术中必不可少的一种方法，已经引起了广泛的关注。随着网络的普及，电子商务系统的规模越来越大，系统中的用户和项目数量日益膨胀，然而传统的协同过滤(CF)算法主要集中在把最相关的项目推荐给用户而没有... 详细信息

目前，推荐系统作为信息过滤技术中必不可少的一种方法，已经引起了广泛的关注。随着网络的普及，电子商务系统的规模越来越大，系统中的用户和项目数量日益膨胀，然而传统的协同过滤(CF)算法主要集中在把最相关的项目推荐给用户而没有考虑环境信息，导致推荐结果可能偏离用户的需求。因此，如何改善推荐系统的推荐质量成为推荐领域广泛关注的热点问题，本论文综合分析了国内外推荐系统研究的现状，进一步对CF推荐技术进行了更为深入的研究。首先，针对CF算法无法及时反映用户兴趣随时间的动态变化问题，提出了一种基于用户评分时间权重的协同过滤推荐算法。通过在推荐过程中附加用户的评分时间权重，提出了一种结合矩阵分解和时间权重的协同过滤推荐算法。同时提出一种基于时间权重的计算方法，为每个评分项设置一个时间权重，将时间权重附加到基本的矩阵分解模型中，并对其进行分解，更好的反映了用户兴趣变化问题。其次，针对传统CF算法在向用户提供推荐服务时忽略了用户所处环境信息的问题，提出了一种基于核聚类的环境感知推荐算法。对于用户的评分环境信息，使用核聚类算法对其进行聚类，生成聚类中心以及隶属矩阵;然后将目标用户当前的环境与生成的环境聚类进行匹配，同时利用隶属映射函数将非活动环境中的评分数据映射到活动环境聚类中，最终使用选出符合目标用户的评分信息为用户做推荐。最后，对算法的有效性进行了实验验证，并与现有的推荐方法进行了比较。

关键词：环境感知推荐算法时间权重矩阵分解环境信息

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于标签的视频流行度预测和推荐算法研究

基于标签的视频流行度预测和推荐算法研究

作者：柯伟兵华中科技大学

学位级别：硕士

由于视频服务平台与社交工具的快速融合,用户能够很方便地在服务平台中与好友分享视频内容。与此同时,海量的视频资源使得用户需要耗费很大的代价才能获得感兴趣的视频,因此设计一个基于用户兴趣模型的推荐系统,通过分析用户的历史行为... 详细信息

由于视频服务平台与社交工具的快速融合,用户能够很方便地在服务平台中与好友分享视频内容。与此同时,海量的视频资源使得用户需要耗费很大的代价才能获得感兴趣的视频,因此设计一个基于用户兴趣模型的推荐系统,通过分析用户的历史行为记录主动地为用户提供个性化服务具有很大的研究价值。用户的兴趣偏好是动态变化的,而传统的推荐算法忽视了时间效应的影响。为了解决这个问题,采用基于时间权重函数的方法来计算视频标签的权重,并根据用户的偏好程度,对用户的兴趣偏好做了进一步划分。随着视频服务平台中的用户逐渐增加,可以通过用户聚类方法将偏好相似的用户分到相同用户群体中,来解决推荐系统的扩展性问题。另外,为了提高推荐系统的性能,将基于项目的推荐算法和协同过滤推荐算法结合在一起应用到搜球网中。推荐策略中通常只是被动地去分析用户的历史记录,于是在服务平台中主动地去预测视频资源的流行度,用于指导搜球网预分配一些流行度高的资源,而且也能缓解推荐中的冷启动问题。为了提供真实的实验环境,在原来的搜球网平台中添加了微信公众号平台和移动客户端平台。实验结果表明,论文中的推荐算法与现有的方法相比在准确率方面有了一定的提高。在实际应用中,对搜球网视频服务平台的服务器端和客户端采用了不同的缓存机制来减少网络响应时间。至于进一步提高个性化服务的实时性效果,可以考虑在搜球网中采用分布式结构存储视频资源和用户数据。

关键词：推荐系统时间权重用户聚类流行度预测

基于聚类的加权Slope One推荐技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于聚类的加权Slope One推荐技术研究

作者：杜倩北京工业大学

学位级别：硕士

互联网中信息规模的爆炸式增长,满足了用户对信息的需求。但庞大的信息量使得用户难以快速定位到有用信息,降低了信息的使用率,导致了信息过载问题的出现。个性化推荐技术是一种面向用户进行个性化推荐的有效手段,其核心是推荐算法。Slo... 详细信息

互联网中信息规模的爆炸式增长,满足了用户对信息的需求。但庞大的信息量使得用户难以快速定位到有用信息,降低了信息的使用率,导致了信息过载问题的出现。个性化推荐技术是一种面向用户进行个性化推荐的有效手段,其核心是推荐算法。Slope One算法是一种简单而高效的基于项目的协同过滤算法,能够在少量数据情况下达到较好的推荐效果,已经得到了广泛应用。但现有的Slope One算法无法在数据稀疏情况下做精确推荐,评分过程中会利用无关项目预测评分且无法快速感知用户兴趣的变化。为了解决上述问题,本文对权重的计算方法加以改进,提出改进的加权Slope One算法,再引入数据挖掘的相关技术,对数据进行分类和预处理,提出基于聚类的加权Slope One算法。所做的主要工作如下:第一,在传统的K-Means算法的基础上,提出一种自动生成K个聚类中心的基于最小生成树的K-Means算法,有效解决传统的K-Means算法因初始聚类中心选取的随机性引起的局部最优问题,提高聚类效果;第二,利用聚类结果对原始项目评分矩阵进行预测填充,解决算法存在的稀疏性问题,并根据聚类结果缩小推荐候选集的规模,减少推荐算法计算量;第三,考虑项目属性和项目评分对项目相似度影响程度的不同,引入项目属性和项目评分的项目综合相似度计算方法,提高项目相似度的准确性;第四,为了在算法中更好的反应用户兴趣的变化,突出新数据作用削弱旧数据。在推荐算法中加入时间权重,考虑影响时间权重的因素,提出加入访问频率的时间权重函数;第五,根据本文提出的改进算法,设计推荐系统,介绍系统中模块组成、模块间调用关系和模块内部算法流程,利用MovieLens数据集在系统上进行验证。实验证明,基于聚类的加权Slope One算法与传统推荐算法相比,聚类算法的加入能够有效解决稀疏性问题,减少计算量;项目相似度和时间权重的加入提高了算法预测的准确性和时间敏感度。整体算法在平均绝对误差上有着明显的降低,能够有效提高推荐系统整体性能。

关键词：推荐算法 Slope One K-Means 项目属性时间权重