导读:本文包含了协作过滤论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:用户,稀疏,卡尔,群体,项目,数据,相似性。
协作过滤论文文献综述
高发展[1]（2017）在《基于聚类与专家信任的协作过滤推荐算法研究》一文中研究指出随着Web2.0技术的迅速普及,Internet上的数据和资源都处于指数增长阶段,这就会使用户面临信息过载的问题。推荐系统是解决这个问题的有效办法之一,其中协作过滤利用用户评分矩阵,计算用户之间相似度,并根据邻近用户喜好向目标用户进行推荐。但是协作过滤存在新用户冷启动、数据稀疏性、可拓展性等问题。本文针对这些问题,利用混合推荐算法的优点,对协作过滤算法进行了相应的改进,主要工作如下:(1)梳理归纳了推荐系统的相关算法,阐述了国内外学者对协作过滤算法的研究现状。针对协作过滤算法存在的缺点进行深入分析,并探讨如何利用现有技术来提升协作过滤推荐算法的性能。(2)针对冷启动和推荐精度问题,提出了综合用户特征及专家信任的协作过滤推荐算法。通过引入用户特征,利用用户填写的注册信息有效缓解推荐系统中冷启动问题。通过引入专家信任,能够比较用户与专家的相似性,从而计算用户-专家相似度矩阵,进而有效降低了数据集的稀疏性,提高预测的准确度。从实验结果可以看出,该算法能够有效缓解冷启动问题,明显提高了系统的推荐精度。(3)针对数据稀疏性和可拓展性问题,提出了基于奇异值分解与K-means++聚类的协作过滤推荐算法。通过将用户聚成多个簇,然后在与目标用户相似的簇中寻找邻居集,这样可以缓解数据的稀疏性,同时也降低了计算量。通过奇异值分解将用户-项目评分矩阵进行降维,并对稀疏矩阵进行填充,这些模型可在离线的状态下进行建立。从实验结果可以看出,该算法能够有效缓解稀疏性,并提高推荐精度。(本文来源于《海南大学》期刊2017-05-01）
赵家新,王修,夏震宇[2]（2016）在《无锡警企协作建立诈骗网址“过滤网”》一文中研究指出“无锡网警提醒您：该页面可能存在风险!”日前，江苏省无锡市民江先生在网络购物时，电脑屏幕上突然跳出一个页面提示，提醒他访问的页面存在恶意链接，有网络诈骗嫌疑。10月21日，无锡市公安局召开新闻发布会，公布了“无锡公安反信息网络诈骗平台”投入使用(本文来源于《人民公安报》期刊2016-11-01）
高良友,黄梦醒[3]（2016）在《一种利用属性重心剖分模型的时间调整协作过滤推荐算法》一文中研究指出针对传统协作过滤推荐算法在相似性度量环节所存在的不足之处,提出一种利用属性重心剖分模型的时间调整协作过滤推荐算法,通过对项目属性矩阵填充用户所在群体所对应的普遍评分值,进而对用户—项目评分矩阵填充评分预测值,再在填充后的用户—项目评分矩阵的基础上,利用属性重心剖分模型度量出初步相似性,并结合传统相似性,得出复合相似性,最后对复合相似性进行时间维度调整,得到最终的相似性.仿真实验结果表明,与传统的协作过滤推荐算法相比,该算法可以获得更高的推荐精准度,并能够很好地适应于数据集极度稀疏、冷启动、用户兴趣漂移等特殊情形.(本文来源于《小型微型计算机系统》期刊2016年08期）
余金玲,韩翼,高永兵,马占飞[4]（2016）在《协作学习环境中的协同过滤算法》一文中研究指出用户数与学习资源数的增加导致在线协作学习不能更好地体现其个性化,协同过滤推荐算法推荐精度下降。为解决该问题,提出一种适合在协作学习环境下应用的协同过滤推荐算法。将协作学习环境中学习者与学习资源属性作为学习推荐中相似度计算的一部分,将属性相似度与学习资源评分相似度作为综合相似度,加入时间函数保证最近发生的兴趣有更大的权重,最终完成推荐。为体现客观性,实验结果分别选取在不同学习者数、不同学习资源数以及不同稀疏程度的资源评分矩阵下的平均绝对误差(MAE)。实验结果表明,与基于项目属性的用户聚类协同过滤推荐算法相比,在各种不同的实验情况下,该算法的实验结果 MAE更小,推荐精度更高。(本文来源于《计算机工程与设计》期刊2016年05期）
郭亚琼[5]（2016）在《基于标签和评分的协作过滤推荐算法研究》一文中研究指出随着Internet和Web2.0技术的飞速发展,以云计算、大数据、移动互联网为主流特征的智能化信息时代已经来临。这必然导致网络上信息资源呈现指数级别增长,引发信息过载问题。根据Internet普及与流行的特点,个性化推荐能有效解决信息过载问题。它根据用户的个人特点,有针对性的提供服务。协作过滤推荐技术仅依赖于用户对项目的评分,能够很好的适用各种特定的应用,然而它的推荐精度往往会受到诸如数据集稀疏性、冷启动、相似度计算精度低等问题的影响。针对推荐系统数据集稀疏性、可扩展性等问题,传统的协作过滤算法大都是从用户、资源、评分3方面进行解决,基于标签的推荐算法大都是从用户、资源、标签3方面进行解决,但是当前的研究很少充分利用已知的标签数据(蕴含着很多重要的用户信息如用户兴趣、行为等),来计算、预测未知的评分数据。因此,在协作过滤系统中数据集稀疏和扩展性差的条件下,开展基于标签和评分的协作过滤推荐算法研究具有十分重要的研究价值和实践意义。论文主要工作如下：第一,归纳总结了推荐系统相关知识,阐述了国内外学者对协作过滤算法的研究现状。针对协作过滤算法面临的挑战,从评分和标签两个维度,对协作过滤推荐算法进行了剖析。第二,在数据集稀疏的情形下,考虑到用户特征和目标项目的差异性问题对推荐精度的影响,提出了一种基于目标项目和用户特征选择近邻的协作过滤算法。实验结果表明,该算法可以提高相似度的计算精度,进而提高预测推荐精度。第叁,在数据集稀疏的情形下,借鉴标签云的思想,将标签信息转化为用户评分数据,对用户评分矩阵进行数据预填充,提出一种基于标签填充评分的协作过滤算法。实验结果表明,该算法有效缓解了用户评分矩阵的稀疏性问题,同时提高了推荐的精准度。(本文来源于《海南大学》期刊2016-05-01）
杨海月[6]（2016）在《面向社交网络的协作过滤算法研究及应用》一文中研究指出伴随互联网和信息技术的快速普及和广泛应用,各类社交网络不断涌现并已成为互联网上的重要应用,人们也越来越仰仗于利用社交网络寻找自己感兴趣的信息。然而,社交网络用户数量在不断攀升,用户间频繁交互会产生海量的互动信息,这些都导致了社交网络中的信息过载,而个性化推荐则是解决信息过载问题最有效的方法。因此,社交网络中的个性化推荐已成为一个研究热点,逐渐受到了学者们的关注。协作过滤算法是应用最为广泛的个性化推荐算法,本文首先针对协作过滤算法应用于社交网络中存在推荐精度不高的问题,提出基于用户信任度和社会相似度的协作过滤算法。然后对上述算法做进一步优化提出基于社交网络用户相似度聚类的协作过滤算法。最后利用所提出的推荐算法开发了一个面向社交网络的推荐系统。本文主要研究内容如下:(1)针对协作过滤算法应用于社交网络中存在推荐精度不高的问题,提出一个基于用户信任度和社会相似度的协作过滤算法。该算法首先通过社交网络计算用户信任度和社会相似度,并依据用户-项目评分数据计算用户相似度。然后将用户相似度、用户信任度和社会相似度进行融合并据此形成最近邻集。最后利用优化的评分预测公式依据最近邻集中的用户-项目评分数据生成给目标用户的推荐结果。实验结果表明该算法较其他算法在解决社交网络的推荐问题时有更高的推荐精度,但其执行效率会随着社交网络规模的增大而降低。(2)针对基于用户信任度和社会相似度的协作过滤算法的执行效率随社交网络规模增大而有所下降的问题,提出一个基于社交网络用户相似度聚类的协作过滤算法。该算法首先根据用户在社交网络中的属性信息及互动行为计算社交网络用户相似度。然后根据社交网络用户相似度利用改进的k-means算法对用户进行聚类从而形成多个不同的用户簇。最后在每个用户簇上利用基于用户信任度和社会相似度的协作过滤算法产生推荐结果。实验结果表明该算法在处理大规模社交网络数据集时不仅显着降低了运行时间也提高了推荐精度,很好的解决了基于用户信任度和社会相似度的协作过滤算法存在的问题。(3)设计并实现了一个面向社交网络的推荐系统,并将上述两种推荐算法应用到该系统的推荐模块。(本文来源于《江苏大学》期刊2016-04-24）
杨海月,朱玉婷,施化吉,徐慧[7]（2016）在《基于用户信任度和社会相似度的协作过滤算法》一文中研究指出个性化推荐算法是解决社交网络中信息过载问题的一种有效方法,已成为社交网络中的研究热点。协作过滤算法是被广泛应用的个性化推荐算法,但由于未考虑社交网络的一些重要社交信息及数据稀疏问题,故其在解决社交网络的推荐问题时推荐效果不佳。为此,提出一个基于用户信任度和社会相似度的协作过滤算法。首先根据用户-项目矩阵计算用户相似度,然后通过社交网络计算用户信任度和社会相似度并将叁者融合,最后根据融合后的值形成最近邻集,并据此产生推荐结果。经实验分析,文中提出的算法较其他算法在解决社交网络的推荐问题时有更高的推荐精度。(本文来源于《电子技术应用》期刊2016年01期）
罗钧,何庆[8]（2015）在《基于信任度两次分簇过滤的协作感知算法》一文中研究指出为了有效解决授权频段在恶劣环境下利用率低的问题,根据一种新信任度系数提取用可靠性较好的采样值参与本地单门限能量检测,并通过新信任度系数分簇获取可靠性较好的本地感知节点对本地判决结果进行量化分类,簇头将本地认知节点量化结果、簇内平均权重系数及个数传至融合中心参与协作判决,给出一种新的感知算法。最后,实验仿真表明,该算法可以有效消除低可靠性认知节点参与协同判决,有效地缩减感知过程数据传输开销,提高系统感知性能。(本文来源于《电视技术》期刊2015年19期）
宋晓虹,唐琎[9]（2016）在《基于卡尔曼过滤的多传感器协作数据重构算法研究》一文中研究指出针对多传感器系统存在的数据易丢失、易受干扰和易失真等问题,在卡尔曼过滤的基础上结合协同合作方式提出了一种协作数据重构算法。该算法从一阶线性化、二次加权突变平滑和随机统计特征等方面出发,建立了适用于多传感器系统的卡尔曼过滤算法,然后基于中继转发信号和自适应感知时间间隙,给出了协作数据重构多传感器系统协同过程控制算法。数学分析和实验结果表明,所提算法与压缩感知重构算法相比在监测数据准确度、均方差、功耗和能耗等方面表现出优势。(本文来源于《计算机应用研究》期刊2016年01期）
高良友,黄梦醒[10]（2015）在《综合用户特征和项目属性的协作过滤推荐算法改进》一文中研究指出在综合用户特征和项目属性的协作过滤推荐算法的基础上,提出了一种改进的基于综合用户特征和项目属性的协作过滤推荐算法,分析不同用户群体对不同项目属性的普遍评分,并结合已评分的项目属性,预测未评分项目.仿真结果表明,改进算法比原算法具有更高的推荐精准度,并进一步降低数据集的稀疏性和缓解冷启动问题.(本文来源于《海南大学学报(自然科学版)》期刊2015年02期）
协作过滤论文开题报告
（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：
“无锡网警提醒您：该页面可能存在风险!”日前，江苏省无锡市民江先生在网络购物时，电脑屏幕上突然跳出一个页面提示，提醒他访问的页面存在恶意链接，有网络诈骗嫌疑。10月21日，无锡市公安局召开新闻发布会，公布了“无锡公安反信息网络诈骗平台”投入使用
（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。
协作过滤论文参考文献
[1].高发展.基于聚类与专家信任的协作过滤推荐算法研究[D].海南大学.2017
[2].赵家新,王修,夏震宇.无锡警企协作建立诈骗网址“过滤网”[N].人民公安报.2016
[3].高良友,黄梦醒.一种利用属性重心剖分模型的时间调整协作过滤推荐算法[J].小型微型计算机系统.2016
[4].余金玲,韩翼,高永兵,马占飞.协作学习环境中的协同过滤算法[J].计算机工程与设计.2016
[5].郭亚琼.基于标签和评分的协作过滤推荐算法研究[D].海南大学.2016
[6].杨海月.面向社交网络的协作过滤算法研究及应用[D].江苏大学.2016
[7].杨海月,朱玉婷,施化吉,徐慧.基于用户信任度和社会相似度的协作过滤算法[J].电子技术应用.2016
[8].罗钧,何庆.基于信任度两次分簇过滤的协作感知算法[J].电视技术.2015
[9].宋晓虹,唐琎.基于卡尔曼过滤的多传感器协作数据重构算法研究[J].计算机应用研究.2016
[10].高良友,黄梦醒.综合用户特征和项目属性的协作过滤推荐算法改进[J].海南大学学报(自然科学版).2015
论文知识图
