一、智能信息搜索系统中对搜索结果的排序策略（论文文献综述）
姜天文[1]（2021）在《条件性知识图谱构建及其应用研究》文中认为知识对于人类的生产生活至关重要,其获取与利用是智能的重要体现。知识图谱,作为自然语言处理和数据挖掘领域的热点问题,为实现人工智能提供知识引擎应对诸如机器问答、阅读理解、自动化文本生成等问题。在知识图谱中实体及其关系是核心要素:实体以节点形式呈现、关系以边形式呈现用以链接实体,最终表现为平坦网状的图结构。实体关系事实是当前知识图谱重要且唯一知识单元,但本文认为条件对于事实的验证性和可用性至关重要,知识图谱应当引入条件。条件的引入,一方面表征了条件性成立的事实知识、激活了知识图谱中事实的可验证性和可用性,将极大推动知识图谱研究发展;另一方面将条件与事实同时结构化表征在图谱中,极大地充分且有效利用文本知识、促使文本到知识的无损结构化成为可能。本文首次提出条件性知识图谱,研究设计条件性知识图谱网络结构表征,探索其自动化构建方法并研究其在下游任务上的应用。本文的研究内容从以下四个方面展开,分别对应于本文的四个核心创新点:·基于关系问询策略的实体关系同步联合抽取。实体及其关系抽取是知识图谱基础性研究,是探索条件性知识图谱构建方法的重要基础前提。现有的实体和关系联合抽取方法大多采用异步框架,但易产生中间冗余信息、组件之间交互受限,以及推理时暴露偏差等局限。同步抽取框架同步地学习实体和关系模型并同步输出抽取结果,可以避免这些局限性但却受累于重叠元组问题。本文提出基于关系问询策略的同步抽取框架,更加充分地同步学习实体及其关系模型并实现无矛盾地抽取重叠元组。·条件性知识图谱表征设计及其构建。现有知识图谱将事实知识表示为概念的扁平关系网络,没有考虑事实的条件所起到的重要作用,失去了知识图谱中事实的可验证性和条件完整性,降低了知识图谱中事实的可用性。本文首次提出条件性知识图谱,并为其设计了一种层次化网络结构,相比于传统的平坦网状结构,可以同时表征事实及其条件且结构更为灵活。另外,利用既有的关于实体关系抽取等自然语言技术的研究结果,提出一种基于多输入的事实-条件双输出的序列标注模型用以实现条件性知识图谱的自动化构建。·基于动态多输出的条件性知识图谱构建。研究表明多元组重叠、事实条件间角色分配冲突等问题是从文本中自动化构建条件性知识图谱的主要瓶颈。观察到93.8%的语句包含多事实或多条件元组,将抽取模型的单输出设计扩展到多输出是必要的,如何动态地确定元组数量成为关键性问题。利用既有的实体关系抽取所得结果和实体关系编码预训练模型,提出依据文本信息动态地抽取多事实多条件元组的多输出序列标注模型,突破性地提升了条件性知识图谱的构建精准度。·基于条件性知识图谱的文献搜索应用。条件性知识图谱保留文本中事实和条件,是一种低损耗结构化表征,对于众多自然语言处理任务具有很高的应用价值。将文献搜索作为条件性知识图谱的应用目标,探索条件性知识图谱的普适性应用技术。现有的文献搜索系统主要基于文本层面提出搜索算法,不利于复杂知识结构的匹配。提出基于条件性知识图谱路径匹配和表征学习的方法,在复杂的事实-条件知识结构上解决文献搜索问题。综上所述,本文在知识图谱的背景下,从实体关系抽取的基础研究出发,到条件性知识图谱的自动化精准构建,最后探索条件性知识图谱的实际应用价值。希望本研究能够对知识图谱和自然语言处理、数据挖掘领域的学者提供一定的参考作用。
胡涛[2]（2021）在《基于ElasticSearch的智能搜索引擎的设计与实现》文中研究表明
翟逸昕[3]（2021）在《使用智能策略优化的电子商务系统设计与实现》文中研究表明随着网络信息技术和经济的发展,电子商务发展迅猛,在电子商务网站进行在线购物已逐渐成为人们主要的购物途径之一。电商服务提供者为了满足各式各样用户的需求,提供了海量的服务与产品,导致网页内信息繁杂且冗余。客户进行在线购物时,无法有效地找到心仪的产品和服务。为了使用户高效地使用在线购物网站,使用智能策略对用户的信息进行搜索、收集、分析和筛选,依靠智能信息处理技术对数据进行处理,利用电商系统中的页面切换与用户轨迹等信息保证能够对不同的用户喜好和系统环境进行完整建模。本文的主要工作如下:（1）完成了对电子商务系统的基本设计与开发。经过需求分析,将系统划分为门户子系统、业务子系统、店铺管理子系统和超级管理子系统。随后对四个子系统的功能模块进行详细设计。完成系统设计之后,使用Vue框架对系统前端进行开发,使用Django框架对系统后端进行开发,使用My SQL数据库与Redis数据库协同的方式对系统数据进行维护,在降低数据库压力的同时提高了访问速度与并发量。（2）提出使用强化学习方法实现对商品搜索模块的优化。传统的学习排序方法使用商品的点击率回归出一个商品搜索后排序结果,但是这种方式没有考虑到用户的购买习惯以及商品喜好。通过关联上下文的回归可以解决这一问题,但是却没有考虑到用户搜索商品的不同阶段是一个密切连续的过程。用户选择购买商品与否是一个搜索序列所决定的。将用户看做环境,搜索引擎看做智能体,可以将一个搜索行为描述为一个马尔科夫过程,通过使用强化学习建模这一搜索过程可以解决此问题。（3）提出使用数据挖掘技术与强化学习方法实现了商品导购功能。用数据挖掘获取平台高频搜索标签。获取标签后,通过计算出标签之间互信息、邻接熵等数据获取标签之间的马尔科夫链路,以点击率和成交总额为目标对此过程进行优化。同时提出使用强化学习方法实现广告定向投放。在保障广告商投资回报率的前提下提高成交总额与商品点击率。本系统通过使用这些智能策略有效提升了商品点击率与电子商务系统成交总额,具有良好的应用前景。
唐子尧[4]（2021）在《面向物联网的云平台互操作性研究》文中研究指明万物互联时代,不同物联网系统的协同通信成为影响物联网技术发展的重要因素。在物联网云平台中,有效的数据交互机制可以提升物联网云平台间的互操作性。本文旨在通过标准化,提升物联网场景下云平台间互操作性,探索多个云平台间的有效协同机制。本文的研究内容主要包括以下几个方面:首先,针对云平台间互操作面临的问题,研究了提升云平台互操作性的方法。根据物联网场景的特点,通过标准化的方式,使用OCF云服务接口协议,对云平台间的数据交互进行规范,设计了符合OCF云服务接口规范的物联网云平台。针对OCF云平台实现中无法解析设备资源的数据模型问题,使用OpenAPI对云服务进行标准化描述,利用OpenAPI3.0的可重用组件特性,对物联网设备资源的数据模型进行建模,实现云平台间物联网设备资源数据模型的正确解析。其次,分析了云平台间互操作的访问权限控制方式,针对访问令牌泄漏问题,设计了基于联盟链技术的云平台访问权限管理机制,并基于联盟链开源项目Hyperledger Fabric实现了联盟链网络,提升了云平台中用户资源的安全性。研究了分布式系统中的共识机制,针对Raft算法中投票机制存在的不足,提出了基于优先级的Raft投票机制优化,通过为每个Raft集群节点设置优先级,减少因平票导致的选举失败问题,降低领导者选举时间。最后,研究了物联网云服务的放置算法。在独占式云服务放置场景下,提出了基于时延感知的云服务放置算法,减少云服务间通信的时延损耗。在共享式云服务放置场景下,提出了基于负载的云服务分组合并放置算法,实现降低云服务间通信的时延以及减少物理机的使用量。针对数据中心多类型云服务混合部署问题,提出了基于余弦距离的云服务放置算法,并通过贪婪随机自适应搜索过程和冒泡搜索对算法进行优化,有效降低数据中心中的物理机使用量。
曹越[5]（2021）在《移动O2O情境下用户信息搜寻行为研究》文中研究指明数字经济背景下,数据驱动的新技术与新模式不断涌现,信息已成为社会发展进程中不可或缺的基础性和战略性资源。随着移动互联网与手机等智能终端的全面普及,各类移动应用给人们的生活方式带来了颠覆性变革,人们获取信息的主要渠道开始由PC端向移动端迁移,因此移动情境下的用户信息行为成为当前的热点研究领域。与此同时,移动互联网与线下实体经济的联系日益紧密,线上线下融合趋势明显,本地生活O2O服务成为继电子商务之后新一个万亿级市场,移动O2O开始全面融入人们的日常生活,并拓展到教育、医疗、养老、城市管理、社区服务等诸多领域,大大加速了全社会的整体数字化进程。作为一种基于移动网络和线上线下交互的新型商业模式,移动O2O能够充分发挥手机的便携性、位置的可追踪性、高互动性等优势,渗透到居民生活的每个角落,随时随地为用户提供个性化、场景化的优质服务。技术进步带来了信息资源的爆炸性增长和信息异质性、复杂性的激增,然而个体的认知容量和信息处理能力却是有限的,二者之间的矛盾导致当代网络用户面临着严重的信息超载问题以及巨大的信息搜寻压力,因此如何提高信息搜寻效果、改善信息搜寻体验成为学术界和产业界共同关注的焦点问题。与传统的基于PC端的网络信息搜寻相比,移动O2O情境下的信息搜寻场景和内容更加复杂,且在用户的需求动机、搜寻渠道、方式与策略等方面均存在显着性差异,表现出独特的行为特征与内在逻辑,可见有必要对其展开针对性研究。然而,对于这种融入了线下场景的移动O2O情境下的用户信息搜寻行为,目前学者们尚未给予足够的的关注和重视,相关理论成果有待补充。故而,本研究以移动O2O情境为切入点,将用户线上与线下的信息搜寻行为有机融合,在综合运用多种研究方法与研究理论的基础上,针对移动O2O情境下的用户信息搜寻行为的整体理论模型及行为的“动机—过程—结果”展开系统性研究,以揭示移动O2O情境下用户信息搜寻行为的特征与规律,探寻其影响因素及相应的作用机制,从而针对性地提出移动O2O情境下用户信息搜寻行为的引导和优化策略,为移动O2O平台和商家改进信息服务及推荐系统、构建“以用户为中心”的信息服务体系提供参考与借鉴。本研究主要开展了以下几方面的工作:（1）在全面梳理信息搜寻经典理论、模型与现有研究成果的基础之上,基于扎根理论与深度访谈法对移动O2O情境下用户信息搜寻行为的过程、内在机理与影响因素进行了探索性研究,从全局视角出发,构建了移动O2O情境下用户信息搜寻行为的理论模型。该模型描述了移动O2O情境下用户从产生信息需求到结束信息搜寻行为的全过程及行为机理,包括信息需求认知、信息搜寻渠道选择、信息搜寻策略选择、信息筛选与评价和信息搜寻结果五个阶段;并总结归纳了会对该过程产生影响的各方面因素,包括个体特征、信息素养、感知成本、感知风险和情感因素等主观影响因素,以及情境因素、技术因素、社群影响、任务特征和产品特征等客观影响因素。新模型能够较好地体现移动O2O情境下用户信息搜寻行为的特征与规律,拓展了信息搜寻研究情境,是对用户信息行为研究的有益补充,也为后续定量研究的开展提供了理论支撑。（2）从搜寻动机角度出发,采用结构方程模型方法对移动O2O情境下用户信息搜寻行为的驱动因素进行了实证研究,从而挖掘用户行为的内在心理动机、外生影响因素以及相应的影响机制。在对移动O2O情境下用户信息搜寻行为的特征进行总结分析的基础之上,以“动机、机会、能力”（MOA）模型和技术接受与使用统一理论（UTAUT）作为参考,引入信息需求、感知成本、感知风险、情感因素等新变量,构建移动O2O情境下用户信息搜寻行为驱动因素模型,然后通过问卷调查采集数据,借助SPSS 21.0,Smart PLS 3.0等软件进行数据分析与模型检验。实证研究结果表明:绩效期望、信息需求、努力期望、情感因素和社会影响对移动O2O情境下用户信息搜寻意向的正向影响显着,而感知风险则对其有显着负向影响;搜寻意向、便利条件和搜寻能力三个变量之间存在交互关系,只有在三者兼备的条件下,信息搜寻行为才会发生。（3）从搜寻过程角度出发,通过用户实验方法探索了个体特征与任务特征对移动O2O情境下用户信息搜寻行为过程的影响。采用半受控形式的用户实验方法,在尽量还原真实移动O2O情境的前提下,邀请了48位被试者完成4个模拟情境下的信息搜寻任务,并通过屏幕录制软件（录屏大师APP）辅以出声思考法采集信息搜寻行为数据。然后以个体特征和任务特征作为自变量、信息搜寻行为指标作为因变量采集相应数据进行量化分析,考察在不同任务情境下、具有不同个体特征的用户如何选择信息搜寻的渠道、方式和策略,探索相应的行为规律。其中个体特征通过大五人格特征量表（NEO-FFI）进行测度,包括神经质、外向性、开放性、宜人性与尽责性五个维度,任务特征则通过复杂性和紧迫性两个维度进行分类。研究结果有助于移动O2O平台与服务提供商针对不同任务情境和用户群体改进搜索系统和交互界面、优化信息资源提供方式,实现更加精准高效的信息推荐以及更具个性化的信息服务。（4）从搜寻结果角度出发,基于信息增益理论和支持向量机（SVM）算法对移动O2O情境下用户信息搜寻满意度的关键影响因素进行了识别。在文献回顾与用户访谈的基础上,对移动O2O情境下用户信息搜寻满意度的影响因素进行整理和归纳,最终提取出涵盖用户、信息、技术、环境与渠道五个维度的一共57个影响因素,以此为依据设计调查问卷并收集数据,得到313个有效样本。然后运用信息增益理论对各个影响因素与用户信息搜寻满意度之间的关联程度进行量化分析,借助SQL软件计算各因素的信息增益值并进行排序,由此识别出移动O2O情境下用户信息搜寻满意度的16个关键影响因素（包括便捷性、信息有用性、个性化需求满足、位置相关性、经济性、需求认知能力、产品/服务差异性、信息筛选能力、信息时效性、信息技术能力、周边环境、商家服务态度、渠道信任度、界面友好性、可操作性和信息形式）。在此基础上利用SVM算法构建移动O2O情境下用户信息搜寻满意度预测模型,数据检验结果显示,该模型在测试集中的分类精确度达到了86.79%,说明模型具有较高的预测能力,由此也验证了通过信息增益理论识别出的关键影响因素的合理性和有效性。（5）在前述研究的基础上,重点从移动O2O平台和实体商家角度出发,兼顾用户、政府和行业监管方等多个视角,分别提出了移动O2O情境下用户信息搜寻行为的引导策略和优化策略,以期为促进移动O2O情境下用户信息搜寻行为、提升移动O2O情境下用户信息搜寻效果提供一些切实可行的建议和参考。
殷小静[6]（2021）在《基于深度对抗强化学习的电商广告竞价排序问题研究》文中研究指明电子商务广告竞价排序是指在电子商务的广告业务中,电商平台设计不同广告位,广告主根据需求选择广告位并出价,电商平台根据广告主出价等因素对广告进行排序并收费的过程。这个过程也隐含了广告主根据用户反馈对广告出价进行调整的部分。电商广告竞价排序涉及用户、广告主、广告平台等多个交易主体,在电子商务运行过程中发挥巨大作用,合适的广告竞价排序策略既能为广告平台提高收益,又能提高用户体验,提升用户粘性。传统的广告竞价排序过程反馈周期长,用户对广告的反馈不能实时获得,这会影响广告主价值的体现,从而影响广告平台的收益。随着电子商务大数据技术的不断深入研究和应用,电子商务交易行为数据不断积累,形成了精细化的众多交易主体协同的细粒度行为轨迹大数据。这为研究电商广告竞价排序的精准决策提供了契机。针对电商广告竞价排序过程中三方的决策问题,本文将广告主和广告平台作为研究重点,研究广告主的调价决策规律。强化学习在解决序列决策问题方面具有突出表现,本文研究的广告主调价决策问题就是一个典型的序列决策问题。因此我们用马尔可夫决策过程对广告主调价决策模型建模,提出了基于深度对抗强化学习的算法,通过最大化模型策略与真实广告主决策策略的相似程度,最终构建了基于广告主决策的竞价排序策略仿真平台“虚拟广告主”（Virtual-ADer）。“虚拟广告主”是基于生成对抗网络思想的,它包含广告主决策模型和判别器模型两个部分,其中,广告主决策模型是基于行动器-评价器（Actor-Critic）这个强化学习方法的。为了优化训练,提高模型的鲁棒性,“虚拟广告主”引入了一种优化思想,即带梯度惩罚的Wasserstein距离生成对抗网络（WGAN-GP）优化思想。此外,本文还提出了“虚拟广告主”的预训练模型,它不仅可以验证上述优化思想对仿真平台构建的有效性,还提高了深度对抗强化学习模型的收敛速度。对于广告平台的不同竞价排序策略,“虚拟广告主”通过模拟广告主调价决策行为,从而分析各个竞价排序策略对广告平台收益的影响,为广告平台更新竞价排序策略时提供决策依据。本文以真实广告曝光数据为基础,研发了基于广告主调价决策的广告竞价排序策略仿真平台“虚拟广告主”。“虚拟广告主”可以测试不同竞价排序策略对广告主调价行为的影响情况,从而分析竞价排序策略的优劣。本文设计实验证明了提出的“虚拟广告主”中的广告主决策模型对真实广告主的调价行为具有良好的模拟效果,验证了仿真平台的有效性。通过对广告主调价行为的模拟,该模型可以为广告平台在复杂的竞价排序策略中,选择最优的竞价排序策略提供决策依据。
冯雁星[7]（2021）在《AORBCO模型中的程序生成研究》文中认为由于计算机运算速度的提高及存储容量的增大,其处理的数据量越来越大,数据结构越来越复杂,处理数据的算法越来越复杂,使得计算机应用面越来越广泛,也显得计算机越来越具有智能,但实质上计算机程序存储和程序控制这一基本原理并没有改变。从软件智能化研究领域分析,计算机展现的智能体现在程序的自动执行上;人类的智能体现在软件的设计与开发上;人工智能应该主要体现在程序的自动生成上。程序自动生成的研究目的要使计算机软件能够对自身所处的环境有一定的感知和理解,能够根据自身的当前状态和能力,为实现既定目标自动生成解决方案,并执行解决方案达成目标,并在此过程中学习更多的知识和能力。首先,本文对人类的智能结构和人类解决问题的相关智能机制进行了研究,根据智能结构和智能机制对程序的组成和人类的编程过程进行了分析。通过对AORBCO模型及其描述语言进行分析与研究,用AORBCO描述语言对Ego的知识进行描述,为数据增加了语义,便于计算机对数据的理解和计算。要使Ego能够自动生成程序,就必须使Ego对自身的能力有一定的理解,使用形式语义学中的公理语义对模型中过程性知识的语义进行了描述,即通过对动作的前置条件、后置条件的描述来定义动作的语义。其次,AORBCO模型中的程序生成是Ego利用自身的信念和能力达成愿望的一个过程,即Ego规划过程。智能规划是人工智能领域的重要组成部分,规划过程的研究与发展主要集中在启发式搜索方法和规划模型设计方法上,如何设计一个通用的启发式函数仍然是一个较大的挑战。总结了人类程序设计时对问题进行描述、分解、合成的过程,对计算机的能力进行了语义描述、层次划分、组织,并提出更新与演化理论。此外,采用Java编程语言对规划问题进行了分析与设计,设计路径规划实验对规划的组成部分进行了验证实验。类比人类解决问题的场景,由于自身能力不足不能求解问题时,具有自我意识的Ego能够通过与信念中的熟人进行通信来解决该问题,当Ego与熟人或熟人间产生冲突通过协商处理问题。Ego与信念中的熟人通信求解问题时,双方之间通过协商请求数据的格式、请求的方式以及规划结果的形式来处理问题。针对传统的智能规划问题中协商冲突与欺骗行为,本文提出规划质量（Quality of Planning,QoP）校验来解决,并对协商结果以及权值进行更新与演化。最后,使用Java GUI、JADE、图数据库相关的技术对智能系统的组成部分进行设计与实现,设计规划系统来对问题进行分析与验证。通过求解图形面积问题对人类求解问题的过程进行模拟,验证了系统自动规划的合理性与可行性。
姜伟[8]（2021）在《云计算环境下可信服务动态保障模型及方法研究》文中研究说明云计算的出现深刻改变了业务计算模式,人们无需再购买大量昂贵的专门设备,即可获得按需算力,目前已被广泛应用于国防军事、交通运输、工业制造和社会服务等领域。同时,随着云计算基础设施的广泛普及和下一代通信技术的推广应用,“一切皆服务”理念正在成为现实,人们已经可以随时随地获得来自云端的服务。然而,技术发展也带来攻击方式的快速涌现,不可靠的链路、众多恶意节点和充满漏洞的共享云服务都对用户获得可以信赖的云服务提出了巨大挑战,因此迫切需要对云计算环境下的服务保障进行研究。但是,由于无论资源提供、服务选择、服务组合都来源于远程的云计算环境,虚拟化映射方法使得这些环节都具有高度的动态性,静态保障方法已难以获得良好效果。据此,本文提出一种云计算环境下的服务动态保障方法,在不可信的网络条件下,综合利用各种手段,通过筛选云计算资源、选择服务属性、执行服务组合和计算能力再优化,形成反馈过程,最终动态保障用户可以获得按需的可信服务。首先,针对云计算环境下可信服务需要动态保障的需求,提出一种云计算环境下可信服务动态保障模型,融合多层反馈控制机制对云计算资源筛选、服务属性选择、服务组合执行和计算能力再优化等进行综合设计,从而在多个层次上对服务可信性进行动态保障。由于资源虚拟化在云计算系统中的基础性地位,如果计算资源不可靠,那么后续保障措施将无从实现。在此基础上,针对虚拟资源映射的不可信问题,提出一种基于改进模拟退火粒子群的映射算法SAPSP-VNE。以较低的虚拟网络映射的底层网络资源开销为目标,将虚拟网络可信性的虚拟网络资源分配问题归结为一个整数线性规划模型,确保若底层物理网络出现失效节点时,其余虚拟网络部分仍然能具有连通性,最大程度保证虚拟网络的可信性。实验结果表明SAPSP-VNE算法能够有效提升资源平均利用率,提高了映射的成功率和虚拟网络的恢复成功率。其次,针对云环境下服务特征维度过高导致服务特征选择复杂的问题,提出一种基于熵和SVM模型的服务特征评估与子集选择方法ISVM-FSM。算法采用模糊集中熵的计算方式,使用特征的缩放因子和特定类别之间的熵值来计算每个类别中矢量间距离,来解决特征空间庞大而导致的复杂度过高问题。在服务特征子集求解时,借助于前向分布算法的思想,通过不断拟合上一步模型在训练数据上的残差,得到比传统SVM模型更高的准确率。实验结果表明,对冗余特征较多的服务数据集能够有效选择重要特征,同时特征子集的规模比传统算法有明显的压缩,较大提升了准确率。再次,针对传统服务组合方法无法摆脱第三方平台限制、可信服务组合差异性需求难以得到满足问题,提出一种基于区块链智能合约的服务组合方法,构建出安全可信的云服务交易环境。在基于区块链的服务智能合约基础上,以服务动态优化调度为目的,提出一种基于混合灰狼的优化算法HGWO作为服务组合的核心算法,克服传统元启发式方法求解精度不够,算法后期收敛速度慢,容易陷入局部最优等问题。实验结果表明HGWO算法具有较好的收敛性、提升了解的精度、增加了解的多样性,为云环境下服务组合提升了可信性和提供了有效的解决方案。最后,为了在提供可信服务的同时优化计算能力,提出了一种基于服务迁移的云计算服务优化方案。在该方法中通过对云节点和中心云的资源状态的建模,将可信服务的优化问题转化为系统开销最小化问题;在此基础上,通过改进遗传算法获得了资源优化策略。实验结果表明,所提出的方案能够降低系统开销,有效的提升系统性能。
韩礼红[9]（2021）在《影响力最大化智能优化算法及应用研究》文中提出5G时代的到来使得网上办公、网上会议、网络直播、网上课堂等应用在生活中已变为一种常态,彻底改变了人们传统的工作与生活方式,即人们的生产生活方式从传统意义上的线下行为转变为线上线下相互融合的行为方式。此外,基于人们的生产生活行为而抽象出的个体交汇关系网络模型,能够直观的刻画人们各种交互行为关系。在现实中,个体之间在交互过程中会对其近邻个体产生基于情感、认识等方面的影响,采用基于网络影响力传播机制来评估个体间的这种相互影响,能够揭示人们生产生活行为网络的动力学规律。对这种网络动力学加以有效的控制与利用,在提高生产效率,降低管理成本等方面具有重要的现实意义。影响力最大化问题是网络科学中的一个重要研究课题,其本质上包括两个方面的研究内容。首先,基于某种评价机制识别出一组影响力节点集;其次,基于某种优化策略,消除该组节点集中影响力的重叠效应,使其在网络中能够基于某种传播模型使得信息或影响力传播达到最大化。当前,不同领域的学者们从不同的角度提出了许多不同的方法来解决影响力最大化问题。随着网络规模的不断膨胀,使得这些算法在实际应用中面临着求解效率低、可扩展性弱等问题。近年来智能优化算法在社会网络影响力最大化节点集的识别应用中取得了较好的效果,但是,这类算法在离散化网络空间中基于不同的搜索策略与搜索机制存在着稳定性差、容易陷入局部最优解及求解效率有待进一步提高等问题。为此,本文研究了智能优化算法在影响力最大化问题中的求解与应用,并在两类现实网络中验证了其有效性。本文主要工作概括如下:（1）分析了离散粒子群算法（DPSO）因易陷入早熟而导致算法陷入全局次优解的缺陷,提出了采用节点近邻域中心性来增强算法局部搜索能力的策略。通过在现实社会网络数据集的实验发现,基于近邻域节点度中心性增强DPSO算法的局部搜索能力时存在饱和效应,即基于3跳近邻域节点度中心性对算法性能的提升最为显着,近邻域越广反而使算法性能下降。基于该发现,提出了基于3跳近邻域节点度中心性局部搜索策略的离散粒子群算法DPSO＿NDC,在六个现实网络中的实验表明,本文所提算法性能优于原始算法。（2）离散蝙蝠算法（DBA）虽然在求解社会网络影响力最大化问题时具有较高的效率优势,但该算法继承了基本蝙蝠算法中基于随机数的选择进化策略,使该算法在有限的迭代进化过程中存在收敛稳定性弱的特点。本文提出了基于网络派系结构来构建候选种子节点池的策略,来增强蝙蝠群在进化过程中对位置向量节点选择的多样性与针对性,从而提高算法在收敛过程中的稳定性。基于此提出了Clique＿DBA算法,通过在六个现实网络中进行实验,验证了该算法性能的有效性与收敛的稳定性。（3）采用单一智能优化算法在求解大规模网络结构的影响力最大化问题时,存在效率上的瓶颈。基于多核处理器技术,采用并行化智能优化算法来识别大规模网络中的影响力最大化节点集,是提高求解效率的一条有效途径。本文对乌鸦搜索算法针对网络结构进行重新编码、离散化设计后实现并行化搜索计算,提出了基于并行化搜索的离散乌鸦搜索算法（DCSA）。在六个大规模现实网络中的实验结果表明,该算法与其它先进算法相比,不但具有竞争性的求解性能,同时其求解效率得到了显着的提高,适合在大规模网络结构中并行化求解影响力最大化问题。（4）本文从两个不同的应用场景中分别抽象出网络模型,分别进行了网络特征分析及影响力最大化节点集的识别研究。（一）构建了Linux操作系统内核的动态行为网络模型,揭示了该软件网络的结构特征。根据实际应用场景提出相应的影响力评估模型,采用智能优化算法进行影响力最大化节点集的识别,并从软件波及度及与其它中心性算法识别结果的重合度角度分别评估了智能优化识别算法的有效性。（二）构建大学图书馆图书借阅行为网络模型,分析该行为网络模型的一些网络特征,解释这些特征的现实意义;基于实际应用背景提出该网络节点影响力评估模型,并采用智能优化算法对影响力节点集进行识别,分析了智能优化算法的有效性并在图书阅读推广服务中进行应用。本文研究结果表明,智能优化算法在大规模网络中求解影响力最大化问题时,具有较高的效率与性能;基于相应的评估模型采用智能优化算法在不同结构特征的现实网络中,验证了智能优化算法在现实网络中识别影响力最大化节点集的可行性与有效性。
刘培[10]（2020）在《基于大数据的网络空间主流意识形态传播研究》文中提出信息技术、互联网与计算机等技术建构的网络空间成为与现实社会空间并存的第二空间。但网络空间不是一成不变的,而是在技术发展中不断演进的。随着大数据技术在互联网领域应用的广泛推进,借助于大数据可以量化一切的强大计算能力,网络空间确已进入到一个高度依赖数据和算法的阶段,形成了新型的“大数据-网络空间”。“大数据-网络空间”是在大数据技术深度介入下形成、以数据生态为核心、以算法为主导的、虚实深度交融的网络空间。它不仅是世界的数据化再现,而且是大数据算法与人的意向性协同敞开的网络空间。作为大数据技术形塑的空间,“大数据-网络空间”不是固态的、稳定的、不可更改的,而是可以被技术发展与各类媒体、政党、国家等主体意愿建造、编制和构筑,即“大数据-网络空间”具有可塑造性。“大数据-网络空间”作为各种意识形态和社会思潮的传播载体和场域,同样也为主流意识形态传播带来了机遇与挑战。一方面,“大数据-网络空间”为主流意识形态的传播带来了受众、传播内容、传播方式与传播效果的可量化与可计算,实现了精准化和个性化传播。另一方面,“大数据-网络空间”亦为主流意识形态传播带来挑战,主要包括:大数据技术理性张扬下传播者经验的下降与自身的隐匿、数据化传播受众画像的失真、假新闻深度转向与传播生态的后真相化、资本逻辑与算法逻辑对主流意识形态传播逻辑的干扰。面对这些挑战,已有相关研究往往集中在大数据技术薄弱、西方的数据霸权和意识形态渗透方式的多样化等方面进行探讨,而忽视了“大数据-网络空间”自身的可塑造性。“大数据-网络空间”与主流意识形态传播的关系不仅仅是大数据以工具性载体助推网络空间主流意识形态的传播,更重要的是“大数据-网络空间”是被技术和各种意识形态共同塑造与建构的。由此,主流意识形态的传播必然要求塑造“大数据-网络空间”,以提升主流意识形态的传播能力。如何塑造“大数据-网络空间”以提升主流意识形态传播能力成为一个重要问题。首先,要规避算法主导的传播方式,建构基于传播者与受众能动性的个性化传播,从而积极地影响、修正甚至改变算法推荐主导的传播内容,以塑造主流意识形态在“大数据-网络空间”的核心地位。其次,以主流价值导向驾驭算法从而建构“主流价值算法”。主流价值算法通过纠正流量至上的价值导向以消解各种社会思潮和意识形态对主流意识形态传播空间的挤压,从根本上塑造一个正能量的“大数据-网络空间”。再次,展开数据素养和政治素养的双维教育。通过数据素养教育提升传播者和传播受众的数据素养,同时强化大数据技术人员的意识形态教育。最后,推动大数据检测技术与平台监管齐头并进。积极研发大数据检测技术,以检测、识别和过滤虚假信息。且按照精细化、区别化的原则进行分类分级地监管各类传播媒体与平台,健全法律与行业规范的双重规制,从而有力推进“大数据-网络空间”主流意识形态的传播。
二、智能信息搜索系统中对搜索结果的排序策略（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、智能信息搜索系统中对搜索结果的排序策略（论文提纲范文）
（1）条件性知识图谱构建及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 物理量名称及符号表 |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.1.1 课题背景 |
| 1.1.2 课题意义 |
| 1.2 研究现状及分析 |
| 1.2.1 知识图谱简述与定义 |
| 1.2.2 封闭式信息抽取技术研究 |
| 1.2.3 开放式信息抽取技术研究 |
| 1.2.4 基于知识图谱的应用研究 |
| 1.3 本文的研究内容及章节安排 |
| 第2章 基于关系问询策略的实体关系同步联合抽取 |
| 2.1 引言 |
| 2.2 问题定义 |
| 2.3 方法 |
| 2.3.1 共享多头自注意力编码器 |
| 2.3.2 关系判别解码器 |
| 2.3.3 命名实体识别解码器 |
| 2.3.4 关系元组实体检测 |
| 2.3.5 损失函数 |
| 2.4 实验结果 |
| 2.4.1 实验设置 |
| 2.4.2 结果对比与分析 |
| 2.4.3 模型分析 |
| 2.5 本章小结 |
| 第3章 条件性知识图谱表征设计及其构建 |
| 3.1 引言 |
| 3.2 方法 |
| 3.2.1 条件性知识图谱定义 |
| 3.2.2 编码器-解码器模型 |
| 3.2.3 条件-事实双输出模块 |
| 3.2.4 多输入模块 |
| 3.2.5 迭代自训练模块 |
| 3.3 实验结果 |
| 3.3.1 实验设置 |
| 3.3.2 标签预测和事实/条件元组抽取的结果 |
| 3.3.3 条件性知识图谱构建案例研究 |
| 3.4 本章小结 |
| 第4章 基于动态多输出的条件性知识图谱构建 |
| 4.1 引言 |
| 4.2 数据集构建 |
| 4.3 方法 |
| 4.3.1 多输入模块 |
| 4.3.2 多输出模块 |
| 4.3.3 损失函数和训练 |
| 4.4 实验结果 |
| 4.4.1 实验设置 |
| 4.4.2 BioCFE的结果 |
| 4.4.3 BioNLP2013的结果 |
| 4.4.4 可视化案例研究 |
| 4.5 本章小结 |
| 第5章 基于条件性知识图谱的文献搜索应用 |
| 5.1 引言 |
| 5.2 基于条件性知识图谱路径匹配的文献搜索 |
| 5.2.1 从内容到元组 |
| 5.2.2 从元组到条件性知识图谱 |
| 5.2.3 从条件性知识图谱到搜索算法 |
| 5.3 基于条件性知识图谱路径匹配的实验结果 |
| 5.3.1 实验设置 |
| 5.3.2 结果分析 |
| 5.3.3 案例研究 |
| 5.4 基于条件性知识图谱表征学习的文献搜索 |
| 5.4.1 问题定义 |
| 5.4.2 基于多层条件性知识图谱的多层编码模型MEMK |
| 5.4.3 基于条件性知识图谱的查询扩展 |
| 5.4.4 表征学习模型训练方法 |
| 5.5 基于条件性知识图谱表征学习的的实验结果 |
| 5.5.1 实验设置 |
| 5.5.2 预处理 |
| 5.5.3 结果分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其他成果 |
| 致谢 |
| 个人简历 |
（3）使用智能策略优化的电子商务系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 课题主要研究内容 |
| 1.3.1 系统主要功能简述 |
| 1.3.2 研究目标 |
| 1.3.3 拟解决的关键问题 |
| 1.4 论文组织结构 |
| 第2章 相关概念及技术介绍 |
| 2.1 强化学习 |
| 2.2 前后端分离架构 |
| 2.3 Django框架 |
| 2.4 PyTorch框架 |
| 2.5 MySQL数据库 |
| 2.6 Redis数据库 |
| 2.8 本章小结 |
| 第3章 系统需求分析 |
| 3.1 问题定义 |
| 3.2 可行性分析 |
| 3.3 需求分析 |
| 3.3.1 门户子系统功能需求分析 |
| 3.3.2 业务子系统功能需求分析 |
| 3.3.3 店铺管理子系统功能需求分析 |
| 3.3.4 超级管理子系统功能需求分析 |
| 3.4 用例规约 |
| 3.5 本章小结 |
| 第4章 数据库设计 |
| 4.1 总体设计思路 |
| 4.2 具体设计 |
| 4.2.1 数据库概念结构设计 |
| 4.2.2 数据库物理结构设计 |
| 4.3 本章小结 |
| 第5章 系统基础功能模块实现 |
| 5.1 门户子系统内的功能模块实现 |
| 5.1.1 用户登录与注册模块 |
| 5.1.2 用户中心模块 |
| 5.1.3 商品搜索模块 |
| 5.1.4 商品展示模块 |
| 5.1.5 购物车模块 |
| 5.1.6 用户评价模块 |
| 5.1.7 广告展示模块 |
| 5.2 业务子系统内的功能模块实现 |
| 5.2.1 订单处理功能模块 |
| 5.2.2 订单管理功能模块 |
| 5.3 店铺管理子系统内的功能模块实现 |
| 5.3.1 平台店铺管理模块 |
| 5.3.2 商品管理模块 |
| 5.3.3 店铺设计模块 |
| 5.4 超级管理子系统内的功能模块实现 |
| 5.4.1 工作人员管理模块 |
| 5.4.2 后台数据显示模块 |
| 5.5 本章小结 |
| 第6章 具有智能策略的功能模块实现 |
| 6.1 智能信息处理的搜索模块 |
| 6.1.1 传统方法的劣势 |
| 6.1.2 问题建模 |
| 6.1.3 算法效果对比 |
| 6.1.4 模块效果展示 |
| 6.2 智能信息处理的导购模块 |
| 6.2.1 功能分析 |
| 6.2.2 问题建模 |
| 6.2.3 算法效果对比 |
| 6.2.4 模块效果展示 |
| 6.3 智能信息处理的广告投放模块 |
| 6.3.1 传统方法的劣势 |
| 6.3.2 问题建模 |
| 6.3.3 算法效果对比 |
| 6.4 本章小结 |
| 第7章 系统测试 |
| 7.1 功能测试 |
| 7.1.1 用户登录功能测试 |
| 7.1.2 用户信息修改功能测试 |
| 7.1.3 用户商品添加购物车功能测试 |
| 7.1.4 用户购物车结算功能测试 |
| 7.1.5 用户商品搜索功能测试 |
| 7.1.6 店铺订单管理功能测试 |
| 7.1.7 店铺商品管理功能测试 |
| 7.1.8 店铺管理功能测试 |
| 7.2 测试结果 |
| 7.3 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
（4）面向物联网的云平台互操作性研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 主要研究内容 |
| 1.3 论文结构安排 |
| 第二章 相关技术基础 |
| 2.1 云平台互操作相关研究 |
| 2.2 OCF云服务接口 |
| 2.2.1 功能架构 |
| 2.2.2 接入规范 |
| 2.3 OpenAPI规范 |
| 2.4 区块链技术 |
| 2.4.1 区块链特点 |
| 2.4.2 区块链结构 |
| 2.4.3 区块链分类 |
| 2.4.4 Hyperledger Fabric |
| 2.5 云服务放置策略 |
| 2.5.1 云服务放置目标 |
| 2.5.2 云服务放置算法 |
| 2.6 本章小结 |
| 第三章 基于OCF的云平台互操作性研究 |
| 3.1 云平台互操作方案选型 |
| 3.2 OCF云平台设计 |
| 3.2.1 OCF云平台需求分析 |
| 3.2.2 系统架构和流程设计 |
| 3.3 基于OpenAPI的云服务标准化描述 |
| 3.4 本章小结 |
| 第四章 基于联盟链的云平台访问权限管理 |
| 4.1 基于联盟链的访问权限控制设计 |
| 4.1.1 问题描述 |
| 4.1.2 系统设计 |
| 4.1.3 流程设计 |
| 4.1.4 安全性分析 |
| 4.2 基于Hyperledger Fabric的联盟链实现 |
| 4.2.1 智能合约实现 |
| 4.2.2 联盟链网络启动 |
| 4.2.3 客户端实现 |
| 4.3 基于优先级的Raft共识机制优化 |
| 4.3.1 Raft选主机制研究 |
| 4.3.2 投票机制存在的不足 |
| 4.3.3 基于优先级的Raft投票机制优化 |
| 4.4 联盟链对比实验 |
| 4.4.1 联盟链实现性能测试 |
| 4.4.2 基于优先级的Raft共识机制性能对比 |
| 4.5 本章小结 |
| 第五章 物联网云服务放置策略 |
| 5.1 物联网云服务特性 |
| 5.2 云服务放置场景分类 |
| 5.3 基于时延感知的云服务放置算法 |
| 5.4 基于负载的云服务分组合并放置算法 |
| 5.4.1 云服务分组合并算法 |
| 5.4.2 基于负载的云服务放置算法 |
| 5.5 多维指标云服务放置算法 |
| 5.5.1 基于余弦相似度的FFD算法 |
| 5.5.2 基于GRASP的贪心算法优化 |
| 5.5.3 基于冒泡搜索的贪心算法优化 |
| 5.6 云服务放置算法验证 |
| 5.6.1 基于时延感知的云服务放置算法性能对比 |
| 5.6.2 云服务分组合并算法性能对比 |
| 5.6.3 基于负载的云服务放置算法对比 |
| 5.6.4 基于余弦相似度的FFD算法性能对比 |
| 5.6.5 基于GRASP的贪心算法优化性能对比 |
| 5.6.6 基于冒泡搜索的贪心算法优化性能对比 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（5）移动O2O情境下用户信息搜寻行为研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 研究目的与意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 1.4 概念界定 |
| 1.4.1 移动O2O |
| 1.4.2 信息搜寻 |
| 1.4.3 信息搜索与信息搜寻的区分 |
| 1.5 本章小结 |
| 第2章 理论基础及文献综述 |
| 2.1 信息搜寻行为相关理论基础 |
| 2.1.1 信息经济学理论 |
| 2.1.2 认知理论 |
| 2.1.3 人机交互理论 |
| 2.2 信息搜寻行为经典理论与模型 |
| 2.2.1 问题解决理论 |
| 2.2.2 意义建构理论 |
| 2.2.3 ASK理论 |
| 2.2.4 信息搜寻行为模型 |
| 2.3 国内外信息搜寻行为研究综述 |
| 2.3.1 国内信息搜寻行为研究热点分析 |
| 2.3.2 国外信息搜寻行为研究热点分析 |
| 2.3.3 信息搜寻研究述评 |
| 2.4 移动O2O研究综述 |
| 2.4.1 移动O2O概述 |
| 2.4.2 国内外移动O2O研究现状 |
| 2.4.3 移动O2O研究述评 |
| 2.5 本章小结 |
| 第3章 移动O2O情境下用户信息搜寻行为模型构建 |
| 3.1 研究设计 |
| 3.1.1 研究问题分析 |
| 3.1.2 研究方法介绍 |
| 3.2 数据收集 |
| 3.2.1 样本选择 |
| 3.2.2 资料收集与整理 |
| 3.2.3 数据分析工具 |
| 3.3 编码过程 |
| 3.3.1 开放性编码 |
| 3.3.2 主轴性编码 |
| 3.3.3 选择性编码 |
| 3.4 理论饱和度检验 |
| 3.5 模型构建与阐释 |
| 3.5.1 信息搜寻行为过程 |
| 3.5.2 信息搜寻行为影响因素 |
| 3.6 本章小结 |
| 第4章 移动O2O情境下用户信息搜寻行为驱动因素的实证研究 |
| 4.1 移动O2O情境下用户信息搜寻行为特征分析 |
| 4.2 研究模型与假设 |
| 4.2.1 “动机、机会、能力”(MOA)模型 |
| 4.2.2 技术接受与使用统一理论(UTAUT) |
| 4.2.3 研究模型构建 |
| 4.2.4 研究假设提出 |
| 4.3 研究方法设计 |
| 4.3.1 问卷设计 |
| 4.3.2 数据收集 |
| 4.4 数据分析与模型验证 |
| 4.4.1 描述性统计分析 |
| 4.4.2 信度与效度分析 |
| 4.4.3 多重共线性与共同方法偏差分析 |
| 4.4.4 模型验证 |
| 4.5 结果讨论 |
| 4.6 本章小结 |
| 第5章 移动O2O情境下用户信息搜寻过程的实验研究 |
| 5.1 研究问题 |
| 5.2 研究设计 |
| 5.2.1 研究方法 |
| 5.2.2 样本选择 |
| 5.2.3 实验任务设置 |
| 5.2.4 研究变量测度 |
| 5.2.5 实验流程设计 |
| 5.3 研究结果分析 |
| 5.3.1 个体特征对移动O2O情境下用户信息搜寻行为的影响 |
| 5.3.2 任务特征对移动O2O情境下用户信息搜寻行为的影响 |
| 5.4 结果讨论 |
| 5.5 本章小结 |
| 第6章 移动O2O情境下用户信息搜寻满意度关键影响因素研究 |
| 6.1 研究设计 |
| 6.2 数据采集 |
| 6.2.1 移动O2O情境下用户信息搜寻满意度影响因素集 |
| 6.2.2 问卷发放与回收 |
| 6.3 基于信息增益理论的关键影响因素识别和模型构建 |
| 6.3.1 信息增益值计算 |
| 6.3.2 关键影响因素识别 |
| 6.3.3 关键影响因素模型构建 |
| 6.4 基于支持向量机(SVM)的预测模型构建与精度分析 |
| 6.4.1 支持向量机(SVM)建模 |
| 6.4.2 预测模型构建与精度分析 |
| 6.5 结果讨论 |
| 6.6 本章小结 |
| 第7章 移动O2O情境下用户信息搜寻行为引导与优化策略 |
| 7.1 移动O2O情境下用户信息搜寻行为引导策略 |
| 7.1.1 触发用户信息需求 |
| 7.1.2 提高用户信息素养 |
| 7.1.3 改善信息搜寻环境 |
| 7.2 移动O2O情境下用户信息搜寻行为优化策略 |
| 7.2.1 提高信息质量 |
| 7.2.2 提升服务质量 |
| 7.2.3 隐私保护与信息安全 |
| 7.3 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究创新点 |
| 8.3 研究局限与展望 |
| 8.3.1 研究局限性 |
| 8.3.2 未来研究展望 |
| 参考文献 |
| 附录 |
| 附录1 移动O2O情境下用户信息搜寻行为研究过滤式问卷 |
| 附录2 移动O2O情境下用户信息搜寻行为研究访谈提纲 |
| 附录3 移动O2O情境下用户信息搜寻行为驱动因素调查问卷 |
| 附录4 移动O2O情境下用户信息搜寻满意度关键影响因素调查问卷 |
| 在读期间所取得的科研成果 |
| 致谢 |
（6）基于深度对抗强化学习的电商广告竞价排序问题研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究内容和贡献 |
| 1.3 论文组织结构 |
| 第2章 相关理论与技术研究 |
| 2.1 强化学习原理及技术介绍 |
| 2.1.1 马尔可夫决策过程 |
| 2.1.2 强化学习交互过程 |
| 2.1.3 行动器-评价器方法 |
| 2.2 生成对抗理论及发展 |
| 2.2.1 生成对抗网络 |
| 2.2.2 生成对抗网络的发展 |
| 2.2.3 对抗强化学习 |
| 2.3 强化学习在电商场景的应用 |
| 2.4 生成对抗理论在电商场景的应用 |
| 2.5 本章小结 |
| 第3章 广告竞价排序问题描述 |
| 3.1 电商广告业务介绍 |
| 3.1.1 广告平台操作流程 |
| 3.1.2 广告业务常用词 |
| 3.1.3 广义第二价格 |
| 3.2 广告竞价排序问题的决策视角 |
| 3.3 广告竞价排序模型 |
| 3.3.1 广告竞价排序模型架构 |
| 3.3.2 广告竞价排序模型视角 |
| 3.4 广告主决策模型 |
| 3.4.1 广告主与广告平台 |
| 3.4.2 决策模型及策略仿真 |
| 3.5 本章小结 |
| 第4章 基于深度对抗强化学习的广告排序决策模型 |
| 4.1 问题建模 |
| 4.2 广告主决策的行动器-评价器模型 |
| 4.2.1 广告主决策模型架构 |
| 4.2.2 基于LSTM的广告动态特征转移 |
| 4.2.3 基于PPO的广告主决策模型 |
| 4.2.4 基于GAE的优化的广告主决策模型 |
| 4.2.5 模型优化技巧 |
| 4.3 基于对抗强化学习的广告竞价排序仿真平台 |
| 4.3.1 仿真平台模型 |
| 4.3.2 预训练模型 |
| 4.3.3 仿真平台算法 |
| 4.3.4 激活函数的选择 |
| 4.4 本章小结 |
| 第5章 仿真平台实验验证 |
| 5.1 数据集选择与问题分析 |
| 5.2 数据预处理与特征提取 |
| 5.2.1 数据预处理 |
| 5.2.2 数据集分割及特征提取 |
| 5.3 实验环境及参数的设置 |
| 5.3.1 实验环境设置 |
| 5.3.2 模型参数设置 |
| 5.4 实验的设计与结果评价 |
| 5.4.1 预训练结果分析 |
| 5.4.2 状态转移模型训练结果分析 |
| 5.4.3 Virtual-ADer训练结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 学位论文评阅及答辩情况表 |
（7）AORBCO模型中的程序生成研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能Agent研究现状 |
| 1.2.2 自我意识研究现状 |
| 1.2.3 程序理解与程序生成研究现状 |
| 1.3 主要研究内容 |
| 1.3.1 主要内容 |
| 1.3.2 技术路线 |
| 1.4 论文结构安排 |
| 2 相关理论研究 |
| 2.1 基于唯识学的人工智能(AI)理论 |
| 2.1.1 自我意识理论 |
| 2.1.2 唯识学与人工智能 |
| 2.2 智能规划(AI Planning)理论 |
| 2.2.1 规划描述语言 |
| 2.2.2 规划方法 |
| 2.3 AORBCO模型及其描述语言 |
| 2.3.1 AORBCO模型 |
| 2.3.2 AORBCO描述语言 |
| 2.4 程序生成相关理论 |
| 2.4.1 程序的组成 |
| 2.4.2 程序生成理论 |
| 2.5 本章小结 |
| 3 AORBCO模型中的规划 |
| 3.1 AORBCO模型与智能规划 |
| 3.2 描述性知识与问题分解 |
| 3.2.1 运行的进程实体——Ego(我) |
| 3.2.2 客体的组成与描述 |
| 3.2.3 熟人的描述 |
| 3.2.4 愿望的描述 |
| 3.2.5 愿望的分解过程 |
| 3.3 过程性知识的描述与组织 |
| 3.3.1 过程性知识的描述 |
| 3.3.2 过程性知识的层次 |
| 3.3.3 过程性知识的组织 |
| 3.4 过程性知识的使用及演化 |
| 3.4.1 过程性知识的使用 |
| 3.4.2 过程性知识的更新与演化 |
| 3.5 AORBCO模型规划相关试验 |
| 3.6 本章小结 |
| 4 AORBCO模型中的协商规划 |
| 4.1 通信交互 |
| 4.1.1 通信协议与通信语言 |
| 4.1.2 协商规划 |
| 4.2 通信协商规划 |
| 4.2.2 Ego调用熟人的能力 |
| 4.2.3 Ego发送愿望请求熟人规划的过程 |
| 4.3 Ego筛选策略与信任机制 |
| 4.3.1 筛选参数设计 |
| 4.3.2 规划结构与参数计算 |
| 4.4 协商规划相关试验 |
| 4.5 本章小结 |
| 5 AORBCO模型中的规划验证实验 |
| 5.1 实验环境与配置 |
| 5.2 方案及相关技术 |
| 5.2.1 实验方案 |
| 5.2.2 相关技术 |
| 5.3 实验过程 |
| 5.3.1 系统的类图设计 |
| 5.3.2 规划过程设计与实现 |
| 5.3.3 协商规划交互过程 |
| 5.4 实验结果 |
| 5.5 本章小结 |
| 6 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及成果 |
| 致谢 |
（8）云计算环境下可信服务动态保障模型及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 云计算系统及可信服务研究现状 |
| 1.2.1 IaaS与可信服务 |
| 1.2.2 PaaS与可信服务 |
| 1.2.3 SaaS与可信服务 |
| 1.3 可信服务保障关键技术研究现状 |
| 1.3.1 云计算的可信性模型 |
| 1.3.2 云计算的服务选择 |
| 1.3.3 云计算的服务组合 |
| 1.3.4 云计算的卸载与服务优化 |
| 1.4 研究目标 |
| 1.5 本文研究内容与组织结构 |
| 第2章 云计算环境下可信服务动态保障模型构建 |
| 2.1 引言 |
| 2.2 云计算环境下可信性动态保障模型 |
| 2.3 基于动态可信标签的虚拟化可信映射方法 |
| 2.3.1 模型问题描述 |
| 2.3.2 虚拟化资源可信映射方法 |
| 2.3.3 实验分析与验证 |
| 2.3.4 模型的有效性对比 |
| 2.4 本章小结 |
| 第3章 基于熵和SVM的服务特征子集选择方法 |
| 3.1 引言 |
| 3.2 服务分析方法 |
| 3.2.1 特征评估方法分类 |
| 3.2.2 特征选取方法分析 |
| 3.3 基于熵的改进特征评估方法 |
| 3.3.1 基于熵的特征评估方法概述 |
| 3.3.2 基于模糊集理论的服务熵计算方法 |
| 3.3.3 基于熵的特征评估方法(FIAME) |
| 3.4 基于SVM的改进特征子集选择方法 |
| 3.4.1 前向分布算法 |
| 3.4.2 支持向量机模型 |
| 3.4.3 基于迭代SVM的特征子集选择方法 |
| 3.5 实验验证与分析 |
| 3.5.1 实验目的 |
| 3.5.2 数据集选择 |
| 3.5.3 基于熵的特征评估方法实验 |
| 3.5.4 基于迭代支持向量机的特征子集选择方法实验 |
| 3.6 本章小结 |
| 第4章 基于区块链和混合灰狼算法的可信服务组合方法 |
| 4.1 引言 |
| 4.2 基于区块链的可信服务组合框架设计 |
| 4.3 基于智能合约可信服务组合的实现方法 |
| 4.3.1 基于标识的服务注册 |
| 4.3.2 可信服务组合协议 |
| 4.3.3 智能合约的实现过程 |
| 4.4 混合灰狼优化算法 |
| 4.4.1 标准灰狼优化 |
| 4.4.2 混合灰狼优化算法 |
| 4.5 实验验证与分析 |
| 4.5.1 实验场景设置 |
| 4.5.2 HGWO 算法实验 |
| 4.6 本章小结 |
| 第5章 云计算环境下的可信服务资源优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 本地计算 |
| 5.2.2 中心云端计算 |
| 5.3 基于遗传算法的模型求解 |
| 5.3.1 遗传算法 |
| 5.3.2 基于禁忌搜索的遗传算法优化 |
| 5.3.3 算法流程与实现 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（9）影响力最大化智能优化算法及应用研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 研究的意义 |
| 1.3 研究现状 |
| 1.3.1 影响力节点识别 |
| 1.3.2 影响力最大化问题 |
| 1.3.3 问题的延伸 |
| 1.3.4 应用研究概况 |
| 1.4 本文主要工作 |
| 1.5 本文组织结构 |
| 第二章 网络科学相关理论基础 |
| 2.1 图论与网络研究 |
| 2.2 网络的基本概念 |
| 2.2.1 度及度分布 |
| 2.2.2 中心性 |
| 2.2.3 网络直径与平均距离 |
| 2.2.4 聚集系数与网络密度 |
| 2.2.5 网络模型 |
| 2.3 影响力节点识别相关理论 |
| 2.3.1 相关问题定义 |
| 2.3.2 传播模型 |
| 2.4 智能优化算法简介 |
| 第三章 基于近邻域中心性增强离散粒子群算法局部搜索能力研究 |
| 3.1 主要问题 |
| 3.2 相关研究工作 |
| 3.2.1 基本粒子群算法 |
| 3.2.2 离散粒子群算法 |
| 3.3 改进算法DPSO_NDC |
| 3.3.1 节点近邻域中心性 |
| 3.3.2 基于近邻域度中心性局部搜索策略 |
| 3.3.3 DPSO_NDC算法框架 |
| 3.4 DPSO_NDC算法性能评估 |
| 3.4.1 实验网络与基准识别算法 |
| 3.4.2 LIE期望值评估 |
| 3.4.3 传播能力模拟评估 |
| 3.4.4 非参数检验分析 |
| 3.4.5 时间复杂性分析 |
| 3.5 本章小结 |
| 第四章 基于Clique结构增强离散蝙蝠算法的稳定性研究 |
| 4.1 主要问题 |
| 4.2 相关研究工作 |
| 4.2.1 基本蝙蝠算法 |
| 4.2.2 离散蝙蝠算法DBA |
| 4.3 基于Clique结构的离散蝙蝠算法 |
| 4.3.1 研究动机 |
| 4.3.2 Clique_DBA算法基本流程 |
| 4.3.3 Clique结构划分 |
| 4.3.4 候选种子节点池构建 |
| 4.3.5 Clique_DBA算法框架 |
| 4.4 算法性能评估 |
| 4.4.1 实验数据集及基准算法 |
| 4.4.2 LIE期望值评估 |
| 4.4.3 传播范围模拟值评估 |
| 4.4.4 时间复杂性评估 |
| 4.5 本章小结 |
| 第五章 并发式离散乌鸦算法在IM问题求解中的搜索机制研究 |
| 5.1 主要问题 |
| 5.2 相关研究 |
| 5.2.1 多核处理器与并行计算 |
| 5.2.2 基本乌鸦搜索算法 |
| 5.3 离散乌鸦搜索算法 |
| 5.3.1 乌鸦群体离散化编码 |
| 5.3.2 乌鸦群搜索规则 |
| 5.3.3 离散乌鸦搜索算法框架 |
| 5.3.4 离散乌鸦搜索算法的实现 |
| 5.3.5 算法复杂性分析 |
| 5.4 实验与分析 |
| 5.4.1 实验网络特征 |
| 5.4.2 基准对比算法选择 |
| 5.4.3 DCSA算法参数设置 |
| 5.4.4 影响力评估与对比 |
| 5.4.5 算法处理时间对比分析 |
| 5.4.6 假设检验性能评估 |
| 5.5 本章小结 |
| 第六章 RTBN软件网络特征及影响力最大化节点集识别 |
| 6.1 相关研究工作 |
| 6.2 软件网络构建 |
| 6.2.1 实验过程及硬件条件 |
| 6.2.2 RTBN网络的构建 |
| 6.3 网络特征分析 |
| 6.3.1 多态性网络特征 |
| 6.3.2 一致性网络特征 |
| 6.4 RTBN网络影响力节点识别 |
| 6.4.1 函数节点影响力评估 |
| 6.4.2 影响力最大化节点集识别 |
| 6.4.3 影响力最大化节点集分析 |
| 6.5 本章小结 |
| 第七章 图书阅读行为网络特征及影响力最大化节点集识别 |
| 7.1 相关研究工作 |
| 7.2 阅读行为网络构建 |
| 7.2.1 阅读行为数据收集 |
| 7.2.2 二分网络构建 |
| 7.2.3 读者阅读行为网络 |
| 7.3 阅读行为网络特征 |
| 7.3.1 一模投影网络规模 |
| 7.3.2 平均度及度分布特征 |
| 7.3.3 其它网络特征 |
| 7.4 读者节点影响力分析 |
| 7.4.1 读者节点影响力评估 |
| 7.4.2 RRRN影响力节点集识别与应用 |
| 7.5 本章小结 |
| 第八章 总结与展望 |
| 8.1 研究总结 |
| 8.2 工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（10）基于大数据的网络空间主流意识形态传播研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 问题的缘由与研究价值 |
| 1.2 国内外研究动态与文献评析 |
| 1.3 研究思路与研究方法 |
| 1.4 研究创新点与难点 |
| 2 主流意识形态传播与网络空间的内在关联 |
| 2.1 意识形态概念的演变 |
| 2.2 主流意识形态传播方式的变迁 |
| 2.3 网络空间及其可塑性 |
| 2.4 网络空间与主流意识形态传播的内在关联维度 |
| 3 大数据技术对网络空间的形塑 |
| 3.1 大数据技术:网络空间变革的技术基础 |
| 3.2 大数据技术的生产力属性与功能 |
| 3.3 “大数据-网络空间”的界定 |
| 3.4 “大数据-网络空间”的本质 |
| 3.5 “大数据-网络空间”的主要特征 |
| 4 “大数据-网络空间”主流意识形态传播的机遇与挑战 |
| 4.1 “大数据-网络空间”主流意识形态传播的机遇 |
| 4.2 技术理性的张扬与传播者的遮蔽 |
| 4.3 数据化受众画像的失真 |
| 4.4 假新闻扰乱主流意识形态传播环境 |
| 4.5 政治逻辑、算法逻辑与资本逻辑的博弈 |
| 5 掌握主流意识形态传播的主动权:提升塑造“大数据-网络空间”的能力 |
| 5.1 建构基于传播者与受众能动性的个性化传播 |
| 5.2 设计主流价值算法 |
| 5.3 展开数据素养与政治素养双维度教育 |
| 5.4 大数据检测技术与监管齐头并进 |
| 6 结论 |
| 参考文献 |
| 作者简介 |
| 学位论文数据集 |
四、智能信息搜索系统中对搜索结果的排序策略（论文参考文献）
- [1]条件性知识图谱构建及其应用研究[D]. 姜天文. 哈尔滨工业大学, 2021(02)
- [2]基于ElasticSearch的智能搜索引擎的设计与实现[D]. 胡涛. 西安电子科技大学, 2021
- [3]使用智能策略优化的电子商务系统设计与实现[D]. 翟逸昕. 曲阜师范大学, 2021(02)
- [4]面向物联网的云平台互操作性研究[D]. 唐子尧. 北京邮电大学, 2021(01)
- [5]移动O2O情境下用户信息搜寻行为研究[D]. 曹越. 吉林大学, 2021(01)
- [6]基于深度对抗强化学习的电商广告竞价排序问题研究[D]. 殷小静. 山东大学, 2021(12)
- [7]AORBCO模型中的程序生成研究[D]. 冯雁星. 西安工业大学, 2021(02)
- [8]云计算环境下可信服务动态保障模型及方法研究[D]. 姜伟. 哈尔滨工程大学, 2021
- [9]影响力最大化智能优化算法及应用研究[D]. 韩礼红. 兰州大学, 2021(09)
- [10]基于大数据的网络空间主流意识形态传播研究[D]. 刘培. 中国矿业大学, 2020(07)