导读:本文包含了融合推荐论文开题报告文献综述及选题提纲参考文献，主要关键词:商业选址,人工智能,连锁店,实验验证
融合推荐论文文献综述
翟书颖,李茹,李婧,李波[1]（2019）在《一种融合多源数据的连锁企业选址推荐方法》一文中研究指出随着连锁企业快速发展,新开设连锁店铺如何有效选址成为一个重要问题。已有关于商业选址推荐的工作大多致力于构建特征的学习模型,在同一个城市为同一个目标进行选址推荐。文中提出一种面向企业内部规模的选址推荐方法,能对不同地址所适合的店铺规模进行推荐。首先利用多源城市数据从地理特征、商业特征和规模特征等多个维度对候选地周围环境进行刻画,在此基础上,针对已知规模的位置推荐和已知位置的规模推荐两种情况,分别提出基于回归和分类的推荐方法。采用真实数据集进行验证,证明了所提方法的有效性。(本文来源于《现代电子技术》期刊2019年22期）
熊丽荣,沈树茂,范菁[2]（2019）在《融合社区结构和社交影响力的矩阵分解推荐》一文中研究指出基于直接社交关系的矩阵分解推荐算法只考虑了用户的直接社交关系,而忽略了用户的间接社交关系.而与用户直接相邻的用户往往较少,存在数据稀疏问题,影响推荐结果的准确度.同一个社区内的用户在一些方面会存在相似性,彼此之间会产生影响.利用社区内用户间社交关系,本文提出了一种融合社区结构和社交影响力的矩阵分解推荐算法.算法同时使用用户评分信息和社交网络结构信息,来计算用户间社交影响力和构建推荐模型.发现用户社区,结合社区信息计算用户个人影响力.将用户之间的影响力和用户的个人影响力相结合,得到非对称的用户之间的影响力,从而增强推荐效果.实验证明该算法比现有算法能够得到更优的推荐结果.(本文来源于《小型微型计算机系统》期刊2019年11期）
鲍凯丽,刘其成,牟春晓[3]（2019）在《融合朴素贝叶斯和协同过滤的外卖推荐并行算法研究》一文中研究指出为了提高个性化外卖推荐系统的准确率,结合传统的协同过滤算法中存在的数据稀疏性问题,提出一种融合朴素贝叶斯和协同过滤的外卖推荐并行算法。采用并行的朴素贝叶斯分类算法构建外卖评论文本情感分类器,量化评论文本情感值;结合评分数值构建外卖综合评分模型;将综合评分结果整合到推荐系统的训练集,利用优化的并行ALS算法进行推荐。实验结果表明,该推荐算法不仅在推荐准确率上有一定的提高,还具有良好的加速比。该算法应用于个性化外卖推荐是可行和有效的。(本文来源于《计算机应用与软件》期刊2019年11期）
汪涛,潘芳,潘郁,朱晓峰[4]（2019）在《一种融合时间权重的张量分解标签推荐模型》一文中研究指出在针对用户标签的个性化推荐中,为解决因热门标签和资源所导致的标签推荐准确性不足的问题,文章提出了一种融合时间权重的张量分解模型,通过对用户标注标签事件的时间信息建模,计算时间权重,再将权重融入张量分解模型,最后利用分解后的特征向量进行推荐。基于Bibsonomy和LastFM数据集进行的实验结果表明,算法在准确率-召回率和F1指标上均高于其他流行标签推荐模型。通过时间权重的引入,构建融合时间权重的张量分解标签推荐模型,对个性化标签推荐的准确性有较好的提升。(本文来源于《统计与决策》期刊2019年21期）
杨鹏,邵堃,霍星,张阳洋,景永俊[5]（2019）在《融合用户隐含偏好的社会化推荐算法》一文中研究指出协同过滤算法的基本思想是利用兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息.目前大部分算法对于相似用户的分析都是基于用户的显式偏好,没有对用户的隐含偏好进行分析与利用.用户的偏好不仅仅体现在对产品种类的喜好上,对于产品各个属性的喜好程度、评分偏好和由偏好相似而建立的信任关系等,都反映了用户在交互时所隐含的偏好.本文提出了一种融合用户隐含偏好的社会化推荐算法:通过对评分矩阵进行分解得到用户和产品的潜在特征向量,利用用户的潜在特征向量进行用户隐含属性偏好相似度的计算;为了缓解推荐系统中常见的冷启动问题,本文引入了信任关系,并将其与评分信息相联系,量化出带有用户偏好的信任关系并将其融入到算法模型之中;最后,使用动态的权重计算用户间的推荐权重.该算法在FilmTrust和Epinions数据集上进行了测试和对比,结果证实了该算法能够更加有效地预测用户评分,提高推荐精度.(本文来源于《小型微型计算机系统》期刊2019年10期）
郭晨睿,李平,郭苗苗[6]（2019）在《融合相似度和地理信息的兴趣点推荐》一文中研究指出兴趣点推荐是一种基于上下文信息的位置感知的个性化推荐。由于用户签到行为具有高稀疏性,为兴趣点推荐的精确度带来了很大的挑战。针对该问题,提出了一种融合相似度和地理信息的兴趣点推荐模型,称为SIGFM。首先利用潜在迪利克雷分配(Laten Dirichlet Allocation,LDA)模型挖掘用户相关兴趣特征并进行相似性度量,利用Louvain Community Detection(LCD)算法与用户签到数据进行相似性度量,使两种相似度相融合;然后使用地理信息获取用户的签到特征;最后将融合相似度和地理信息结合到一起获得一个新的模型。在真实数据集上的实验结果表明,SIGFM模型有效解决了数据稀疏性与冷启动问题,优于其他POIs的推荐算法。(本文来源于《计算技术与自动化》期刊2019年03期）
何宏,廖巍,唐林丰,刘勋寒[7]（2019）在《基于文本相似度算法的融合推荐系统的设计与实现》一文中研究指出针对目前各类推荐系统存在推荐商品的用户满意度不理想和用户依赖程度比较低的问题,该文从用户的评分和行为两个角度,构建了将传统基于用户的协同过滤算法和文本相似度算法进行融合的改进算法模型,使推荐系统从用户角度进行推荐,并且实时更新,从而有效提高用户满意度和用户的依赖程度。(本文来源于《科技资讯》期刊2019年28期）
贾伟,刘旭艳,徐彤阳[8]（2019）在《融合用户智能标签与社会化标签的推荐服务》一文中研究指出【目的/意义】通过对用户和资源进行挖掘帮助用户找到自己感兴趣的资源已成为新网络环境下普遍存在的服务方式之一,图书资源推荐服务不仅可以提高图书资源利用率,而且对于满足读者需求、提高用户满意度具有重要现实意义。【方法/过程】针对目前图书推荐过程中存在的问题,提出融合人工智能和社会化标签的方法实现书目推荐的思路,在深入分析用户兴趣与社会化标签、相似用户群之间的关系的基础上,提出一种融合用户智能标签与社会化标签的推荐方法,并给出该推荐方法的详细流程。【结果/结论】实验结果表明,与传统的方法相比,本文提出的融合方法具有更好的效果。(本文来源于《情报科学》期刊2019年10期）
郑晨予[9]（2019）在《推荐系统驱动视听媒体融合的机制诠释》一文中研究指出推荐系统作为一种广义人工智能技术,已被广泛运用于传统视听媒体与视听新媒体的媒体融合实践之中。针对当下在这一领域学术研究上重建构轻解构的失衡状态,文章通过深入解析推荐系统实现信息过滤的技术逻辑,并结合运用视听媒体融合的实践案例,重点探究解构推荐系统驱动视听媒体融合的五个技术模式;进而阐释出驱动视听媒体融合的优化选择机制、双向激活机制和互动进化机制。(本文来源于《中国广播电视学刊》期刊2019年10期）
汪祥舜,郑孝遥,朱德义,章玥,孙丽萍[10]（2019）在《基于偏好融合的群组推荐研究》一文中研究指出传统的推荐系统主要针对单个用户,但随着社会和电子商务的快速发展,人们越来越多地以多个用户的形式一起参与活动,而群组推荐旨在为多个用户组成的群组提供服务,已成为当前研究的热点之一.针对目前群组推荐准确率低,群组成员之间偏好冲突难以融合的问题,本文提出了一种新的共识模型策略,融合了群组领袖影响因子和项目热度影响因子,基于K近邻为目标群组寻找邻居群组,借鉴邻居群组的偏好,设计了基于偏好融合的群组推荐算法.在MovieLens数据集上的实验结果表明,本文所提的融合策略较传统的偏好融合策略有着更优越的表现,推荐准确率(nDCG)的总体平均性能约提高13%,推荐列表多样性指标的总体平均性能约提高10%.(本文来源于《南京信息工程大学学报(自然科学版)》期刊2019年05期）
融合推荐论文开题报告
（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：
基于直接社交关系的矩阵分解推荐算法只考虑了用户的直接社交关系,而忽略了用户的间接社交关系.而与用户直接相邻的用户往往较少,存在数据稀疏问题,影响推荐结果的准确度.同一个社区内的用户在一些方面会存在相似性,彼此之间会产生影响.利用社区内用户间社交关系,本文提出了一种融合社区结构和社交影响力的矩阵分解推荐算法.算法同时使用用户评分信息和社交网络结构信息,来计算用户间社交影响力和构建推荐模型.发现用户社区,结合社区信息计算用户个人影响力.将用户之间的影响力和用户的个人影响力相结合,得到非对称的用户之间的影响力,从而增强推荐效果.实验证明该算法比现有算法能够得到更优的推荐结果.
（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。
融合推荐论文参考文献
[1].翟书颖,李茹,李婧,李波.一种融合多源数据的连锁企业选址推荐方法[J].现代电子技术.2019
[2].熊丽荣,沈树茂,范菁.融合社区结构和社交影响力的矩阵分解推荐[J].小型微型计算机系统.2019
[3].鲍凯丽,刘其成,牟春晓.融合朴素贝叶斯和协同过滤的外卖推荐并行算法研究[J].计算机应用与软件.2019
[4].汪涛,潘芳,潘郁,朱晓峰.一种融合时间权重的张量分解标签推荐模型[J].统计与决策.2019
[5].杨鹏,邵堃,霍星,张阳洋,景永俊.融合用户隐含偏好的社会化推荐算法[J].小型微型计算机系统.2019
[6].郭晨睿,李平,郭苗苗.融合相似度和地理信息的兴趣点推荐[J].计算技术与自动化.2019
[7].何宏,廖巍,唐林丰,刘勋寒.基于文本相似度算法的融合推荐系统的设计与实现[J].科技资讯.2019
[8].贾伟,刘旭艳,徐彤阳.融合用户智能标签与社会化标签的推荐服务[J].情报科学.2019
[9].郑晨予.推荐系统驱动视听媒体融合的机制诠释[J].中国广播电视学刊.2019
[10].汪祥舜,郑孝遥,朱德义,章玥,孙丽萍.基于偏好融合的群组推荐研究[J].南京信息工程大学学报(自然科学版).2019