论文部分内容阅读
时间感知的组推荐系统研究
【摘 要】
：
信息技术的快速发展导致互联网用户面临着信息过载的问题,为了解决该问题,学者们推出了推荐系统的相关应用。但是在多数情况下,用户以群组的方式进行活动,这使推荐系统领域出现了基于群组的推荐系统研究。融合时效性信息的个人推荐系统能够提高推荐结果的准确度,却极少考虑群组推荐的时效性问题。同一个群体中的用户可能会有相同的时间作息行为,物品的热度也会出现随着时间改变的现象。针对这些问题,本文对时间信息进行讨论,研究时间对群组推荐结果的影响。根据社交网站上用户对电影评分的时间,本文进行了
【出 处】
：
烟台大学
【发表日期】
：
2021年09期
其他文献
钛及其合金由于其优异的综合性能而广泛应用于航空航天、医疗卫生、能源等领域。然而,钛及其合金表现出较差的摩擦学性能,包括高和不稳定的摩擦系数,严重的粘着磨损。增材制造钛合金具有较低的弹性模量,与人骨的模量相匹配,有能力为骨生长提供空间以达到更好的固定能力,这被认为是替代致密种植体的好选择,但是其耐蚀性不能满足人体环境的需求。在钛及钛合金表面进行强化处理可以改善表面的物理化学特性,可以通过对钛及其合金
学位
石灰石粉现已广泛应用于水泥的生产及混凝土的配制,硝酸盐、亚硝酸盐和硫酸盐类化学试剂也是普遍应用于混凝土中的常见外加剂,它们的使用能够向水泥基材料中引入CO_32-、NO_3-、NO_2-和SO_42-,而混凝土拌合用水或拌合用砂等则有可能将Cl-引入到混凝土当中。这些阴离子会影响水泥水化,尤其是影响AFm相及钙矾石的生成,这将对材料的各项性能产生不可忽视的影响。研究上述阴离子对水泥基材料性能的影响
学位
偏好处理是人工智能领域中的一个重要应用,作为一种描述多属性之间定性条件偏好的图模型,条件偏好网(Conditional Preference Networks,CP-nets)的结构生成与推理问题在CP-nets的研究中起着重要的作用。所以要根据图模型的结构特征和参数特征等要素设计随机的图模型。本篇文章设计的生成算法根据顶点数与度的大小生成随机全结构的CP-nets。原理是通过改进Prufer编码
学位
异常检测是数据挖掘与机器学习领域一个重要研究课题,其任务是从大量复杂的数据中发现小部分的、新颖的与常规数据模式明显不同的异常数据模式。异常检测是很多领域的关键核心问题,例如网络安全、工业制造、系统管理、医学分析、海洋环境监测等。在实际应用中异常检测往往涉及到大量的高维数据,但是无论是高维数据还是多维数据,异常检测的核心是密度估计。通常而言,正常数据占大多数且符合一定的数据分布,而异常数据比例较少且
学位
光催化材料在光照条件下具有一定氧化还原能力,可以达到净化污染物的目的。光催化反应为氧化还原反应,催化剂通常是半导体材料,光催化材料利用光的能量,可以把部分有机污染物彻底降解为CO_2和H_2O。光催化反应是一种安全、高效、环境友好、没有二次污染的污染物净化方法。TiO_2、Cd S、SnO_2、ZrO_2等是常见的氧化物硫化物半导体光催化材料,此外还有银盐、卟啉等。其中TiO_2具有无毒、高效、廉
学位
CP-nets(Conditional Preference nets条件偏好网)是用于描述偏好的直观图模型,是研究不确定关系的有力工具之一,其学习问题已成为研究热点。然而当数据规模变大、事务属性数量增加时,其得到的CP-nets结构数目呈指数型上涨。并且,在CPnets的结构学习中,得到的结果易陷入局部解,难以达到全局最优。基于上述问题,本文提出基于阈值约束的最短路径学习方法以及基于MMPC的模拟退火学习方法,尝试解决属性数目多导致的结构复杂问题以及学习结果易陷入局部解
学位
基于超浸润表面的油/水分离材料因其低成本、高效率和环境友好的优势而成为功能材料的研究热点,其在溢油清理、含油废水处理以及石油开采等多个方面具有重要意义。具有“反常”润湿性的超亲水/超疏油表面是油/水分离最为理想的选择,却很少被报道。虽然一些课题组已经制备了超亲水/超疏油表面,但仍然存在材料试剂昂贵、机械稳定性差以及功能单一等诸多问题。为了解决这些问题,我们制备了一系列的超亲水/超疏油材料,并对其性
学位
信息时代下的当今社会,随着科学技术的飞速发展,获取信息愈发简单,途径也越来越多。可随之而来的海量信息让用户越来越难以从中找到自己真正感兴趣的部分,这类“信息过载”问题开始逐渐困扰着人们。如此大势所趋之下,推荐系统应运而生。它为每个人量身制定偏好,帮助人们将海量的相关信息进行处理和分析,获得最为契合需求的信息,为用户提供个性化的推荐结果。传统的推荐系统大多只关注于单个用户的个性化推荐,然而随着网络及
学位
人脸表情识别由于其在现实世界应用中的巨大潜力而受到越来越多的关注。传统的人脸表情识别方法往往是基于假设训练和测试数据来自同一数据集的前提下进行的,因此训练与测试数据往往遵循相同分布。在现实应用中,由于采集设备或环境的不同,用来训练与测试的人脸表情图像往往来自不同数据集,这导致训练和测试人脸表情图像遵循不同的分布,它们之间存在诸多差异,在这种情况下,传统的人脸表情识别算法不能得到良好的识别和泛化性能
学位