导读:本文包含了内容过滤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:计算机应用技术,科技文献,个性化,推荐算法
内容过滤推荐论文文献综述
杨凯,王利,周志平,赵卫东[1]（2019）在《基于内容和协同过滤的科技文献个性化推荐》一文中研究指出随着近年来科技的蓬勃发展,我国积累的科技文献资源数据规模逐年递增,日渐庞大。为了提高科技文献资源的利用率和科技服务的质量,对推荐系统需求越发迫切。文中将基于内容的方法和协同过滤相结合,取长补短,来实现科技文献的个性化推荐。TF-IDF算法用于提取科技文献的内容特征,SVD算法用于对评分矩阵进行分解。(本文来源于《信息技术》期刊2019年12期）
范志强,赵文涛[2]（2019）在《改进的基于内容的协同过滤电影推荐算法》一文中研究指出推荐系统包括两种主要方法,即协同过滤算法和基于内容的过滤算法,有助于提供有意义的建议。笔者使用了混合方法,即利用内容和协作过滤算法,讨论了算法与此领域之前工作的不同,同时,结合一种的分析方法,证明新方法的合理性,如何提供实用建议。上述方法在现有用户和对象数据上进行测试,与其他两种最受欢迎的方法——纯协同过滤和奇异值分解相比,具有改进效果。(本文来源于《信息与电脑(理论版)》期刊2019年13期）
刘俊杰[3]（2019）在《基于内容和协同过滤的融合推荐方法研究》一文中研究指出在国内外信息技术的迅速发展的大背景下,随着移动互联网和云计算、大数据等技术以迅速普及并应用,互联网正式迈入了Web3.0时代,使得全球数据总量呈现指数级增长,越来越多的信息资源充斥着网络世界和人们的日常生活,出现了“信息过载”的现象,从而使得用户无法准确地得到精准有效的信息。推荐系统正是这样的时代背景下应运而生的产物,目前已广泛应用于电子商务、在线社交网络、新闻媒体、视频音乐等领域。虽然在此之前已经有了分类目录和搜索引擎这样的优秀解决方案,但是由于数据量庞大而导致分类目录不能满足需求,逐渐退出了人们的视野;由于搜索引擎的特性,其对用户的检索、辨别能力,知识水平等要求较高,逐渐的也只能满足部分用户需求。而推荐系统的诞生,可以实现个性化内容的推荐,填补了个性化推荐领域的空白。本文研究具体内容如下:1、概述推荐系统,分析推荐系统相关技术的发展现状及现有问题;2、对传统协同过滤算法存在的耗时长、效率低的问题进行分析,提出了将K-means++聚类应用于协同过滤算法,利用离线处理的方式聚类生成虚拟用户簇,缩小最近邻居的查找范围,提高搜索速率,从而解决传统协同过滤算法耗时长的问题;3、针对于改进后的协同过滤算法,又继续分析了存在的问题,基于此,本文又提出了一种将新的算法。是将基于内容推荐方法和改进后协同过滤算法相融合的推荐方法。提取项目的特征,构成特点相结合的用户评分集合,再通过K-means++聚类,最后实现推荐。实验证明,本方法在解决数据稀疏、冷启动的问题上具有明显的作用。通过实验证明,改进后的融合算法比传统的单一算法运行速率快,而且在数据稀疏和冷启动的问题上,有较明显改善作用,提高了推荐质量。(本文来源于《内蒙古师范大学》期刊2019-04-10）
张兴宇[4]（2019）在《基于协同过滤和内容过滤的微博话题混合推荐算法》一文中研究指出微博作为社交媒体平台为人们了解信息提供了极大的便利,但同时也使用户每天被海量的信息包围,用户很难迅速地找到自己感兴趣的话题,给用户带来困扰。提出了先进行协同过滤,再进行内容过滤的混合算法,这样尽量可以利用不同算法的优点,避开算法的缺点,基于初步的结果,面向单个用户,进一步采用内容过滤算法,有效提高推荐准确度,从而提高推荐系统的推荐准确度。通过实验表明,提出的混合算法相较于协同过滤推荐算法,在微博话题推荐准确率有显着提升。(本文来源于《电脑编程技巧与维护》期刊2019年03期）
耿立校,晋高杰,李亚函,孙卫忠,马士豪[5]（2018）在《基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究》一文中研究指出[目的 /意义]基于内容的过滤推荐中,针对向量空间模型表示文本时容易造成维度灾难的问题,提出利用余弦值r与匹配度值Sim相结合的方法对原有模型进行改进。[方法 /过程]由文献资源和用户兴趣分别筛选出权重较大特征词的词向量,进而由公式计算余弦值r,结合对应的特征词权重进一步计算出匹配度值Sim,将其作为向目标用户推荐文献的依据,并利用河北工业大学图书馆的相关数据对改进模型、向量空间模型及LDA主题模型进行实验,最后利用查准率、召回率、F1值及运行时间等评价指标对3种模型的实验结果进行分析。[结果 /结论]实验结果表明所提出的改进模型相比较于实验中的向量空间模型与LDA主题模型具有更高的应用价值与运行效率。(本文来源于《图书情报工作》期刊2018年21期）
何波,潘力[6]（2018）在《融合内容和改进协同过滤的个性化推荐算法》一文中研究指出为了提高个性化推荐算法的推荐准确性,提出一种融合内容和改进协同过滤的推荐算法。首先,利用基于内容的过滤方法对未评分的项目进行预测,获得预测评分,从而构建了项目—评分矩阵,用于计算评分的Pearson相关系数。然后,在Pearson相关系数计算中融入项目热门系数,对传统协同过滤方法进行改进,并以此对项目给出最终的评分,从而产生推荐。另外,通过调和加权因子和用户加权因子,使基于内容推荐和协同过滤的评分结果能够更合理的融合。实验结果表明,与当前个性化推荐技术相比,所提算法能够有效解决用户评分数据稀疏的问题,具有更高的推荐精度。(本文来源于《控制工程》期刊2018年08期）
许媛萍[7]（2018）在《基于内容的推荐与协同过滤融合的新闻推荐分析与探究》一文中研究指出随着科学技术的不断发展与创新,信息水平的提高,人们的生活方式得到改变。其在带来便利的同时,海量的信息也给人们带来了一定的烦恼,而难以找到合适的、自己感兴趣的内容是主要的问题。在新闻浏览上,大部分用户并不清楚自己的信息获取指向。~([1])常见的新闻推荐方式有基于内容的推荐、协同过滤推荐及混合推荐。前两者都存在明显缺口。本文基于前两种新闻推荐方式的特点,通过对现有推荐方式及基于内容和协同过滤融合的新闻推荐方式的介绍,分析了两者及混合推荐存在的问题,以此推进新闻推荐方式的发展与研究。(本文来源于《新闻研究导刊》期刊2018年13期）
高芹[8]（2018）在《基于协同过滤和内容推荐混合算法的农业信息推荐的研究》一文中研究指出不同的农户所需要的农业信息不同,因此,系统需要因人而异,给出不同的推荐内容给不同的用户,同时不同用户所阅读过的文本信息需要进行集合管理,形成文本库,根据这个兴趣模型推荐文本信息,而在推荐多样性上存在一定的缺陷,基于内容推荐的信息大多是与用户之前阅读过的信息文本相似;尽管协同算法所推荐的文本信息具有多样性,但是针对不同的用户给出的推荐却令人不满,同时协同过滤算法中还存在其他问题,比如冷启动问题等等,由于协同过滤的算法机制是根据相似用户的行为进行推荐,所以信息问本只有在被足够多的用户阅读过后才有可能计算出目标用户与它的相似度,所以出现了新发布信息的冷启动问题;混合的推荐算法可以做到兼顾推荐结果的多样性和个性化,但多样性需求的方面由于使用的仍然是协同过滤机制,所以项目冷启动问题是依然存在的。综合考虑上文中提出的问题,本文在研究考察协同过滤算法和内容推荐方法的过程中发现,混合协同过滤算法以及内容推荐算法两种模式造就出新的文本信息推荐方法,这样不仅解决了个性化问题,也解决了多样性的问题,还避免了冷启动问题。本文选取的数据集是在农业类的咨询网站的阅读而来的,评价指标是Precision,Recall和Diversity,实验方法是以叁种推荐方法为参照基准进行对比。这叁种对比的推荐分别是:内容的推荐、分区混合推荐以及协同过滤推荐。从实验中可以明显看出来,本实验混合方法的推荐结果显示,基于内容的方法对比中比Precision,Recall分别少了28.1%,28.7%;同时,在协同过滤方法上的对比中Precision,Recall方法提高了7.6%,6.2%。虽然在混合推荐方面上的对比中和Precision,Recall没有明显的优势,但是在我们论文中所述的方法在推荐时,该方法不需要等待候选农业信息积累到足够的用户点击量,不存在混合推荐方法中存在的冷启动这一个问题,是一个具有良好应用前景的方法。实验结果表明,论文中所诉的方法生成的推荐结果在多样性和个性化上能够完全满足用户阅读的需求,同时在推荐的冷启动问题上也做到了有效避免。(本文来源于《安徽农业大学》期刊2018-06-01）
韩林玉[9]（2018）在《基于神经网络内容提取和协同过滤的推荐系统研究》一文中研究指出近年来,电影产业的发展越来越受到人们关注,每年都有数以百计的电影上映。由于可以选择的影视节目太多,用户很难找到自己感兴趣的节目,如何让用户在短时间内从大量影视剧中找到自己爱好的节目成为系统研究领域的一个热点。因此,很多学者投身到电影推荐系统的研究中,电影推荐系统以从大量的电影资源中推荐出符合用户要求的电影为目的。对于一个推荐系统而言,预测一个给定的用户是否将会喜欢特定的物品(预测问题)或者是来识别一个给定用户感兴趣的N项物品(前N项推荐问题)是推荐系统研究的重点。在各种电影推荐系统中,基于内容的电影推荐算法在训练期间输入电影的内容,这对于新电影的发行有很大优势,能使其不受“冷启动”问题的影响;基于物品协同过滤的电影推荐算法根据所有用户对电影的评价,发现不同电影之间的相似度,然后根据用户的历史偏好信息将相似的电影推荐给该用户,具有更好的个性化程度。尽管基于内容的电影推荐算法和基于协同过滤的电影推荐算法都各有其优点,但是由于算法固有缺陷导致时效性不好、准确度不高等问题。为解决单一算法推荐质量差的问题,本文提出了基于内容和基于物品协同过滤的电影推荐算法,同时结合了神经网络算法,提高了电影推荐系统的性能。本文的主要任务是基于神经网络的内容提取和基于物品协同过滤的电影混合推荐系统向用户推荐电影,以达到更高的匹配准确度、更好的时效性和用户满意度为目标。该方法首先基于内容训练神经网络模型Word2VecCBOW,内容信息(例如:导演、演员等)作为训练数据获取向量形式的每一个特征元素,然后利用线性关系学习特征来计算每部电影之间的相似度;其次利用基于物品协同过滤的方法,获得不同电影之间的另一种相似度;将神经网络训练到的基于内容的电影相似度和协同过滤得到的相似度进行线性结合;最后根据电影相似度和用户历史偏好信息得到电影的预测评分,进而依据评分为用户生成电影推荐列表。本文实验是基于MovieLens-hetre数据集进行的,最后实验结果证明了本文方法的有效性。(本文来源于《山东大学》期刊2018-04-20）
梁建胜,黄隆胜,徐淑琼[10]（2018）在《基于视频内容检测的协同过滤视频推荐系统》一文中研究指出针对视频推荐系统的稀疏性问题、冷启动问题与灰羊用户问题,提出一种基于视频内容检测的协同过滤视频推荐系统。首先,为视频包含的人体动作进行建模并提取时空兴趣点,使用梯度描述符计算兴趣点的主要移动方向与尺度;然后,为每个视频序列构建一个梯度向量的矩阵,使用聚类算法从梯度矩阵中选择初始化向量与代表向量;最终,通过对受欢迎视频作者与用户的评分分析,获得灰羊用户的分组。仿真实验的结果表明,该视频推荐系统较好地解决了视频推荐系统的稀疏性问题、冷启动问题与灰羊用户问题,获得了较高的推荐准确率。(本文来源于《控制工程》期刊2018年02期）
内容过滤推荐论文开题报告
（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：
推荐系统包括两种主要方法,即协同过滤算法和基于内容的过滤算法,有助于提供有意义的建议。笔者使用了混合方法,即利用内容和协作过滤算法,讨论了算法与此领域之前工作的不同,同时,结合一种的分析方法,证明新方法的合理性,如何提供实用建议。上述方法在现有用户和对象数据上进行测试,与其他两种最受欢迎的方法——纯协同过滤和奇异值分解相比,具有改进效果。
（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。
内容过滤推荐论文参考文献
[1].杨凯,王利,周志平,赵卫东.基于内容和协同过滤的科技文献个性化推荐[J].信息技术.2019
[2].范志强,赵文涛.改进的基于内容的协同过滤电影推荐算法[J].信息与电脑(理论版).2019
[3].刘俊杰.基于内容和协同过滤的融合推荐方法研究[D].内蒙古师范大学.2019
[4].张兴宇.基于协同过滤和内容过滤的微博话题混合推荐算法[J].电脑编程技巧与维护.2019
[5].耿立校,晋高杰,李亚函,孙卫忠,马士豪.基于改进内容过滤算法的高校图书馆文献资源个性化推荐研究[J].图书情报工作.2018
[6].何波,潘力.融合内容和改进协同过滤的个性化推荐算法[J].控制工程.2018
[7].许媛萍.基于内容的推荐与协同过滤融合的新闻推荐分析与探究[J].新闻研究导刊.2018
[8].高芹.基于协同过滤和内容推荐混合算法的农业信息推荐的研究[D].安徽农业大学.2018
[9].韩林玉.基于神经网络内容提取和协同过滤的推荐系统研究[D].山东大学.2018
[10].梁建胜,黄隆胜,徐淑琼.基于视频内容检测的协同过滤视频推荐系统[J].控制工程.2018