导读:本文包含了语义用户模型论文开题报告文献综述及选题提纲参考文献，主要关键词:协同过滤算法,隐语义模型,TLFM算法,用户兴趣变化
语义用户模型论文文献综述
徐吉,李小波,陈华辉,许浩[1]（2019）在《基于用户兴趣迁移的隐语义模型推荐算法》一文中研究指出协同过滤算法一般根据用户的评价信息来推测用户的喜好,但受到数据稀疏问题的影响,许多时候无法得到较为理想的推荐结果。除此之外,一般协同推荐算法忽略了用户兴趣的动态变化。本文所提出的基于改进的隐语义模型(TLFM算法)则将用户的兴趣喜好的改变考虑进来。具体的,在传统的隐语义模型的基础上加入对时间信息的权衡,选取适当的权重,有效地模拟用户兴趣随时间的变化状况,根据用户兴趣变化来决定推荐值,可以很好的提高推荐准确度。(本文来源于《无线通信技术》期刊2019年02期）
李春廷[2]（2018）在《基于语义停留点的用户行为特征模型的构建研究》一文中研究指出随着智能移动设备的发展和普及,以及定位技术的不断完善和发展,人们在日常生活中的GPS轨迹可以比较容易获取并记录下来。GPS轨迹数据中包含了大量有意义的数据,能够真实地反映出用户在现实世界中的活动轨迹,并且能够展现用户的出行模式和社会属性等信息,因此对用户GPS轨迹的研究是一个比较热门的研究方向。大多数研究通过分析用户GPS轨迹中的停留点来获取到用户的信息,但是都没有将语义信息添加进去,因此,本文以用户轨迹出发点,提出一种基于时间和语义的停留点提取算法,将语义信息融合到停留点中从而获取到用户的语义停留点,然后在语义停留点的基础上进一步分析用户的行为,获取用户的行为特征项,最终建立基于语义停留点的用户行为特征模型。具体地,所做工作如下:一、针对其他聚类算法在获取停留点的过程中没有考虑时间和语义的因素的情况下,提出一种基于语义和时间的停留点提取算法HST-OPTICS。该算法通过增加时间因素来提高获取停留点的准确性,然后通过停留点的数据点集合获取到停留时间、日期类型和地图标注等语义信息。二、利用HST-OPTICS算法得到的用户的语义停留点,构建出基于语义停留点的用户行为特征模型。在用户语义停留点的基础上对用户行为进行分析,获取用户的行为特征项,然后利用层次分析法和TF-IDF方法计算出用户每个行为特征项的权重,最后根据行为特征项及每个行为特征项的权重建立起用户的行为特征模型。叁、提出一种用户模型的更新算法。用户模型建立后不是一成不变的,受到时间和兴趣等因素的影响,用户行为特征会随着语义停留点的改变而发生衍变,针对这些因素的影响,在遗忘规律曲线和LRU算法的基础之上提出一种用户行为特征模型的更新算法。通过验证实验,证明了本文提出的基于时间和语义的停留点提取算法能够比较准确的获取到用户的停留点以及停留点的语义信息;通过分析构建的基于语义停留点的用户行为特征模型能够较好的表现出用户的日常行为特征。(本文来源于《辽宁大学》期刊2018-05-01）
梅刚[3]（2018）在《基于用户聚类和隐语义模型的协同过滤推荐研究》一文中研究指出由于科技的进步,互联网技术得到了飞速的提高,现如今我们生活在“信息过载”的时代,为了从海量数据中快速提取出我们需要的有用信息,需要一个智能体系来替我们做出选择,其能够帮我们从海量数据中筛选出有用信息,我们称这样一个系统为推荐系统;推荐系统的核心是推荐算法,并且在各推荐算法中,协同过滤推荐算法被我们所熟知并且经常被应用到工业上。但是协同过滤也存在其一些缺点,例如它存在“数据稀疏性”、扩展性等问题,本文在前人研究的基础之上,进一步研究如何缓解协同过滤推荐算法的这些问题。论文整体研究内容有:(1)基于粒子群算法改进k-means聚类;考虑到k-means聚类能够通过机器学习的方法将没有具体类别的数据进行自动聚类,分成对应的k个类簇的特点,本文引入了 k-means聚类来对推荐系统中的用户进行聚类,将属于同一类簇内的用户尽量分到同一类簇中,又考虑到k-means算法的聚类效果极易被初始中心点的位置所影响,故论文考虑借助具有快速探索全局最优值的粒子群算法来对k-means聚类算法进行改进。(2)将粒子群算法改进的k-means聚类算法应用到协同过滤推荐算法上:考虑到基于用户的协同过滤是在全部用户范围内研究这些用户之间的相似性,这使得基于用户的协同过滤推荐算法需要处理的数据十分庞大,从而造成了基于内存的协同过滤推荐所存在的扩展性问题,为了缓解这一问题,将粒子群算法改进后的k-mmeans聚类算法加入到协同过滤推荐当中,对用户进行聚类,让计算相似用户步骤的计算范围缩小到用户所属聚类簇内的用户,因此能够减小算法处理的计算量,使得算法推荐的速度得到提高,而且属于同一类簇内的用户是非常相似的,故该改进算法的推荐精准度也有所提高。(3)提出了基于隐语义模型和用户聚类的协同过滤推荐算法,在基于粒子群算法改进k-means聚类的协同过滤推荐算法的前提下,引入了隐语义模型,考虑到其可以利用降维技术很好的预测用户-项目评分矩阵的空缺值,从而将原始稀疏的用户-项目评分矩阵较可靠的还原成稠密的用户-项目评分矩阵,故将其引入,并通过改进后的k-mmeans聚类算法对稠密的用户-项目评分矩阵中的用户进行聚类,提高了聚类的准确度,并且推荐算法在研究用户间的相似性时,将计算范围从全部用户缩小到对应的类簇中。通过系统的仿真实验结果验证了本文中提出的改进后的推荐算法较之前的粒子群改进k-means聚类的推荐算法精准度要好。(本文来源于《海南大学》期刊2018-05-01）
翟鹤[4]（2016）在《基于隐语义模型和用户信任的个性化推荐模型》一文中研究指出该文提出一个改进算法,将用户之间的好友关系加入到隐语义模型来提高推荐结果准确性。该算法利用用户和项目之间的隐类和及其可用的元数据等,从而把隐式反馈信息加入到推荐算法当中,该算法首先通过用户的历史项目数据构计算得到用户之间的能有效表达用户信任兴趣关系的亲密程度,将其加入到g SVD++模型中,形成新的Fg SVD++模型,并产生推荐。该模型采用movielens数据集进行验证,实验结果表明,该算法具有更好的推荐准确率以及覆盖率。(本文来源于《电脑知识与技术》期刊2016年04期）
陈祖琴,葛继科,刘喜文[5]（2014）在《结合资源语义和用户访问路径分析的个性化推荐模型》一文中研究指出针对已有的个性化推荐方法仅根据用户的访问行为,或者仅根据用户所访问的资源主题的相似性进行用户模式划分的问题,提出一种结合资源语义和用户访问路径分析的个性化推荐方法。在对用户访问路径进行语义标注的基础上,同时基于用户访问路径相似度和用户访问主题相似度对用户进行模式划分,并采用混合推荐技术构建个性化推荐模型。初步实验结果表明了方法的有效性和可行性。(本文来源于《情报理论与实践》期刊2014年09期）
徐守坤,孙德超,李宁,石林[6]（2014）在《一种结合语义Web和用户信任网络的协同过滤推荐模型》一文中研究指出协同过滤由于数据稀疏、冷启动等问题导致了相似用户发现变得困难,从而影响推荐结果的质量。为克服这一不足,提出一种以本体、语义Web为基础的方法,通过构建用户之间的信任网络以及计算用户间的信任权重值,从而增加系统中相似用户发现的数量,改善推荐结果的准确性、可靠性。实例证明,该方法能够帮助推荐系统发现更多的相似用户。(本文来源于《计算机应用研究》期刊2014年06期）
盛舸[7]（2014）在《基于语义网络策略用户本体模型设计与实现》一文中研究指出随着互联网的普及和加快发展,人们已不再满足于只能在Internet网络上面进行一些简单查询的现状。人们迫切需要能够从互联网获取更加全面、准确、及时的信息。但由于现有的互联网在及时性、有效性、完整性方面的局限性,尚不能够满足人们的需要。人们因而又提出了一种新的网络模型——语义网络(Semantic Web),来取代现有的网络以满足用户日益增长的需求。研究人员已经提出了一系列的方案来实现和普及语义网络。本文讨论了语义网络实现过程中的一个热点问题,即如何在语义网络中实现个性化的信息服务。语义网鶭络并非一个独立网鶭络,而是当前的万鶭维网的延鶭伸,其目鶭标是让计算鶭机能够“理鶭解和处理”数鶭据,并为人鶭们提供各种智鶭能服务。当前,对语鶭义网络的概念还没有形鶭成统一的定鶭义,对语义网鶭络的理解表鶭达也各不相鶭同。最普遍的一种说法是“语义网络是第叁代网络,其目标是实现机器自动处理信息。”通过信息处理的智能化,人们就能够获得更加精确的信息来满足需要。在众多语义网的应用中,如何实现语义信息在文件检索中的应用,特别是提供个人化的服务。一个关键问题就是用户建模,即如何表示用户的兴趣所在。在分析了现有的用户建模的方法的优缺点后,论文提出了一种基于领域本体(domain ontology)的用户模型——用户本体模型(user-onto model),来实现该目标。与只使用关键字(或主题词)的现有方法相比,新提出的用户本体模型的方法可以高效率地运用领域本体中直接的概念和关系来表征用户兴趣,从而能够获得更准确的用户模型。进一步,论文设计了一系列的统计方法来实现提出的用户本体模型以及引入了一个基于激活传播理论的推演算法来在用户本体里面进行推演。同时,设计了一个基于语义网络的搜索引擎来进行文章查询并且把设计好的的用户本体模型引入该引擎来实现个性化服务。通过在Google Directory数据集上面的实验,证明了本文中提出的用户本体模型能够有效地在语义网络中提供个人化的信息服务。(本文来源于《电子科技大学》期刊2014-03-25）
白勇,杨宏伟,张勇,黄俊[8]（2013）在《支持语义和概率推理的用户模型设计方法》一文中研究指出针对目前用户模型研究现状,研究了一种支持语义和概率推理的用户模型构建方法。该方法实现了基于本体和贝叶斯网络的用户模型构建。采用该方法建立的领域用户模型能够支持基于语义和概率推理的信息检索。(本文来源于《情报科学》期刊2013年09期）
胡吉明,胡昌平[9]（2013）在《基于主题层次树和语义向量空间模型的用户建模》一文中研究指出语义层次上的用户建模研究对提高用户需求偏好描述准确度和提升推荐服务质量具有重要意义。本文从基于语义层次树的用户建模机理分析入手,将领域本体引入资源描述和用户建模中,通过资源主题特征提取和语义表达、用户需求偏好程度计算,进行基于语义向量空间模型的用户需求偏好建模和表示,最终得到用户的需求偏好模型。实验结果显示,本文所提方法可行且有效,能够提高用户兴趣偏好描述的准确度和提升推荐服务的质量。(本文来源于《情报学报》期刊2013年08期）
宋雯斐,邢红刚,鲁扬[10]（2013）在《基于层次语义情景的用户模型构建》一文中研究指出针对目前数字图书馆个性化服务中用户模型的构建缺少对用户情景信息的采集的状况,分析了情景化注意元数据,构建情景化元数据模板来采集用户行为情景信息,以此来动态构建层次语义情景模型,作为数字图书馆个性化服务的用户模型。(本文来源于《情报科学》期刊2013年06期）
语义用户模型论文开题报告
（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：
随着智能移动设备的发展和普及,以及定位技术的不断完善和发展,人们在日常生活中的GPS轨迹可以比较容易获取并记录下来。GPS轨迹数据中包含了大量有意义的数据,能够真实地反映出用户在现实世界中的活动轨迹,并且能够展现用户的出行模式和社会属性等信息,因此对用户GPS轨迹的研究是一个比较热门的研究方向。大多数研究通过分析用户GPS轨迹中的停留点来获取到用户的信息,但是都没有将语义信息添加进去,因此,本文以用户轨迹出发点,提出一种基于时间和语义的停留点提取算法,将语义信息融合到停留点中从而获取到用户的语义停留点,然后在语义停留点的基础上进一步分析用户的行为,获取用户的行为特征项,最终建立基于语义停留点的用户行为特征模型。具体地,所做工作如下:一、针对其他聚类算法在获取停留点的过程中没有考虑时间和语义的因素的情况下,提出一种基于语义和时间的停留点提取算法HST-OPTICS。该算法通过增加时间因素来提高获取停留点的准确性,然后通过停留点的数据点集合获取到停留时间、日期类型和地图标注等语义信息。二、利用HST-OPTICS算法得到的用户的语义停留点,构建出基于语义停留点的用户行为特征模型。在用户语义停留点的基础上对用户行为进行分析,获取用户的行为特征项,然后利用层次分析法和TF-IDF方法计算出用户每个行为特征项的权重,最后根据行为特征项及每个行为特征项的权重建立起用户的行为特征模型。叁、提出一种用户模型的更新算法。用户模型建立后不是一成不变的,受到时间和兴趣等因素的影响,用户行为特征会随着语义停留点的改变而发生衍变,针对这些因素的影响,在遗忘规律曲线和LRU算法的基础之上提出一种用户行为特征模型的更新算法。通过验证实验,证明了本文提出的基于时间和语义的停留点提取算法能够比较准确的获取到用户的停留点以及停留点的语义信息;通过分析构建的基于语义停留点的用户行为特征模型能够较好的表现出用户的日常行为特征。
（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。
语义用户模型论文参考文献
[1].徐吉,李小波,陈华辉,许浩.基于用户兴趣迁移的隐语义模型推荐算法[J].无线通信技术.2019
[2].李春廷.基于语义停留点的用户行为特征模型的构建研究[D].辽宁大学.2018
[3].梅刚.基于用户聚类和隐语义模型的协同过滤推荐研究[D].海南大学.2018
[4].翟鹤.基于隐语义模型和用户信任的个性化推荐模型[J].电脑知识与技术.2016
[5].陈祖琴,葛继科,刘喜文.结合资源语义和用户访问路径分析的个性化推荐模型[J].情报理论与实践.2014
[6].徐守坤,孙德超,李宁,石林.一种结合语义Web和用户信任网络的协同过滤推荐模型[J].计算机应用研究.2014
[7].盛舸.基于语义网络策略用户本体模型设计与实现[D].电子科技大学.2014
[8].白勇,杨宏伟,张勇,黄俊.支持语义和概率推理的用户模型设计方法[J].情报科学.2013
[9].胡吉明,胡昌平.基于主题层次树和语义向量空间模型的用户建模[J].情报学报.2013
[10].宋雯斐,邢红刚,鲁扬.基于层次语义情景的用户模型构建[J].情报科学.2013