导读:本文包含了学习用户反馈论文开题报告文献综述及选题提纲参考文献，主要关键词:地理信息资源检索,多核学习,多特征融合,用户反馈
学习用户反馈论文文献综述
李牧闲,桂志鹏,成晓强,吴华意,秦昆[1]（2019）在《多核学习与用户反馈结合的WMS图层检索方法》一文中研究指出现有WMS检索方法多基于服务元数据文本匹配,缺乏对地图内容的"感知",无法应对元数据缺失或图文不符的情境。本文设计了一种多特征多核学习和用户反馈结合的WMS图层检索方法,利用多核学习算法融合颜色、形状与纹理特征,实现图层分类和相似度排序,并通过采集检索结果展示页面中的兴趣图层标记进行用户反馈,以优化分类模型和提高检索精度。试验结果表明,该方法查准率高且检索用时较短,能够与现有基于文本检索的地理信息资源门户集成,实现WMS的快速检索与有效发现。(本文来源于《测绘学报》期刊2019年10期）
江良[2]（2019）在《基于知识的查询扩展和用户反馈的学习资源检索研究与实现》一文中研究指出面对海量学习资源,传统的基于关键字的学习资源检索忽略了语义索引,往往导致检索结果不够准确,无法满足学习者的检索需求。基于知识的学习资源检索可以解决这个问题,从检索的深度来看,用知识点来描述教学资源的语义便于知识的检索,有助于检索系统理解学习者输入的检索内容的知识语义:从检索的效率来看,离线建立学习资源到知识点的索引,对检索内容进行知识点提取可以快速地响应。因此本文首先实现了基于知识的学习资源检索,并对学习资源检索中基于知识的查询扩展策略和基于知识的相关反馈策略展开了研究,主要内容包括:(1)面对传统基于关键字的学习资源检索的缺陷,本文实现了基于知识的学习资源检索,构建语料库对知识和学习资源进行统一有效管理,利用自然语言处理技术和潜在语义分析(LSA)实现检索内容到知识点的映射以及学习资源到知识点的索引,对学习资源进行倒排实现基于知识的学习资源检索。(2)仅仅对检索内容进行知识点提取可能存在学习者表述不明等问题导致无法映射到知识点上,从而导致检索出的学习资源过少或不符合检索需求。本文提出一种基于知识的查询扩展策略,利用同义词扩展对检索内容进行语义层面的解释和补充,并利用知识库对同义词扩展过滤以及对同义词扩展查询进行进一步基于知识结构的扩展,挖掘查询相关的隐性知识点,将两部分扩展进行融合实现基于知识的查询扩展。(3)学习者进行学习资源检索时可能存在对检索结果不够满意,但是又无法对检索结果进行修正,导致学习者放弃使用学习资源检索。本文提出一种学习者对检索结果进行反馈的检索机制,通过学习者的相关反馈使检索出来的学习资源更加靠近学习者的检索需求,一方面利用多轮相关反馈对相关的知识点权重进行调整,使得呈现的学习资源更加符合学习者的知识需求;另一方面利用多人相关反馈对学习资源到知识点的索引进行修正,使得基于知识的学习资源检索结果更加可信。除了进行以上研究外,本文还搭建了知识资源扩展反馈检索系统,在实现基于知识的学习资源检索的基础上,将知识的查询扩展和学习者的相关反馈功能加入其中,使用系统收集相关数据,利用数据对相关研究方法进行验证。(本文来源于《华中师范大学》期刊2019-05-01）
王冲,姜金川[3]（2019）在《基于分布式学习自动机和用户反馈的网页排序算法研究》一文中研究指出为了改善传统PageRank算法存在的不足,例如平分链接权重、主题漂移和忽略用户兴趣,提出一种基于分布式学习自动机和用户反馈的网页排序算法。利用页面内容的相似性、网页之间的超链接和用户遍历的路径,根据分布式学习自动机来确定网页间的超链接权重。考虑到用户反馈包含大量的价值信息,选择用户的转载、回复以及有效点击特征作为用户的行为特征,获得用户反馈因子。根据网页间的超链接权重和用户反馈因子计算每个网页的排名。仿真实验表明,与传统的PageRank算法和WPR算法相比,该算法在一定程度上提高了信息检索的精准度和用户满意度。(本文来源于《计算机应用与软件》期刊2019年03期）
张春玲,姜成晶[4]（2019）在《利用ε-贪婪学习和用户行为反馈的搜索引擎网页排序算法》一文中研究指出为了提高网页排序的准确性,提出一种基于ε-贪婪学习和用户点击行为的网页排序算法。首先,根据用户查询,通过轮盘赌策略向用户推荐相关网页列表;然后,根据用户点击网页的行为进行ε-贪婪学习,计算得到排序系统中的强化信号,通过奖励和惩罚机制为每个网页计算相关性程度值;最后,根据相关性程度对网页进行重新排序。随着用户反馈的信息越来越多,相关网页会排列在列表的最高等级上。实验结果表明,提出的算法能够准确地推荐出相关网页,在P@n、NDCG和MAP性能指标上都获得了较优的性能。(本文来源于《计算机应用研究》期刊2019年08期）
苗林茂[5]（2017）在《基于机器学习的用户反馈数据中心设计与实现》一文中研究指出该项目是来源于百度公司度秘产品线的实际项目,属于互联网人工智能领域。度秘是新一代智能操作系统的杰出代表,以NLP(Natural Language Processing,自然语言处理)技术为基础,明确用户需求,提供相应服务。在该产品线上,每天要接收到十万量级的用户评论和用户反馈,数据量十分庞大。通过对用户反馈进行分类筛选,可以得到用户对于当前产品使用体验的相关问题和建议,直观的反映出当前版本产品所存在的问题和亟待优化的部分,从而引导迭代需求,也为质量保证人员跟踪线上问题提供了依据。数量庞大的用户反馈数据的文本分类和筛选成为问题的关键,但是当前的解决方法为人工从线上数据库中导出部分数据,并进行人工分类筛选有用的反馈。论文运用机器学习的方法,设计和实现了用户反馈数据中心平台,将户反馈数据导入到平台中,可以高效且准确地对庞大数据量的用户反馈文本进行分类筛选,进行分类展现和统计,方便相关人员进行查阅并跟进用户反馈问题的原因排查和问题解决。用户反馈数据中心平台系统可划分成叁大部分:用户反馈数据的拉取、反馈数据分类筛选和用户反馈数据中心。其中,用户反馈数据的拉取利用Python 编写相关轮询 API(Application Programming Interface,应用程序编程接口)从公司统一的用户反馈平台上拉取该产品线的所有反馈数据并根据需要重新组织数据格式,并存储到Hbase中;反馈数据的分类筛选利用机器学习中的遗传算法等相关算法,完成特征词的提取,优化分类以及数据根据特征词进行相应的数据分类筛选;数据中心基于PHP和MySQL,实现数据的分类展现、条件查询、反馈问题跟踪处理等功能。论文完成了用户反馈数据中心平台系统的需求分析、总体设计、详细设计、测试验证等具体工作。本人参与设计和开发了用户反馈数据拉取、基于机器学习的反馈数据分类筛选和数据平台中的相关功能。目前论文完成的用户反馈数据中心平台系统已经上线投入使用,数据分类合格率达到91%以上。用户反馈数据中心极大地提高了用户反馈处理的效率,并释放了数据人力,获得了部门领导和同事的一致好评。(本文来源于《北京交通大学》期刊2017-05-01）
刘剑[6]（2016）在《融合用户多反馈信息的排序学习算法研究》一文中研究指出随着互联网飞速发展,用户日渐迷失在信息洪流和海量数据中。为了帮助用户更便利且精准地获取信息,推荐系统应运而生。近些年来,推荐系统受到了业界和学术界的高度关注,其主要利用用户对物品的历史行为数据以及用户和物品的内容信息来挖掘用户的潜在兴趣偏好,从而帮助用户找到可能感兴趣的内容或者物品。用户对物品的历史行为(即用户反馈)数据是推荐算法中广泛研究并使用的一类数据。实际推荐系统中,用户反馈数据常常表现为两种不同的类型:显式反馈(如评分等)和隐式反馈(如浏览历史、点击历史等)。现有的一些工作已经开始研究如何利用用户的显式反馈或者隐式反馈数据来设计推荐算法,给用户带来更精准更个性化的推荐体验。然而遗憾的是,这些研究工作没能全面且有效地整合用户显式反馈与隐式反馈信息,而只是部分地使用用户的显式反馈或隐式反馈数据。针对上述的局限性,本文将着力于研究推荐应用场景下的融合用户多反馈信息的排序学习算法,文中的用户多反馈指同时存在一种显式反馈与多种隐式反馈数据。本文首先研究并提出了基于用户多反馈的个性化排序推荐问题,并给出该问题的数学形式化定义。然后,我们相继研究并设计了整合显式反馈与单隐式反馈信息的排序学习模型SFPR以及整合全反馈信息(显式反馈与多种隐式反馈)的排序学习模型MFPR。鉴于排序学习模型对于训练数据要求的特殊性,本文还设计了一种新型的偏序样本生成算法IPPE,用来生成排序学习模型训练所需要的偏序对形式的训练数据。本文在两个实际的数据集上进行了大量实验,IPPE偏序样本生成算法以及SFPR和MFPR模型的有效性和优越性得到了充分验证。文章设计并开发了融合用户多反馈信息的原型推荐系统,使用原型系统进行推荐案例的分析,结果表明用户多反馈信息的融合极大化多信息互补的优势,使模型的推荐表现得到明显提升。(本文来源于《北京邮电大学》期刊2016-12-25）
苏翔[7]（2015）在《基于机器学习方法实现购物网站用户反馈信息聚类》一文中研究指出了解用户反馈信息对于改进购物网站的服务质量非常重要,但工作量很大。通过机器学习与自然语言处理的方法,可以将用户评论进行聚类,并构造一种可视化界面工具,有助于网站分析师与项目经理提升工作效率,简化工作流程。基于此,将对聚类算法,自然语言处理过程以及用户反馈信息处理工具中的一些重要功能进行介绍。(本文来源于《信息与电脑(理论版)》期刊2015年15期）
蔡飞,陈洪辉,舒振[8]（2013）在《基于用户相关反馈的排序学习算法研究》一文中研究指出在信息检索中,系统需要根据用户查询将文档按照相似度大小进行排序,吸引了众多信息检索和机器学习领域研究者的眼球,并形成了诸多排序算法模型。然而并未考虑到查询短语与文档构成的特征对与用户相关反馈之间存在的同质性。在机器学习算法基础上,通过提取训练样本的主要特征进行有效聚类,并结合用户的相关反馈获取各个类中相关度判断的置信值,形成相似度判定模型,应用该模型来对测试样本进行相关度排序。算法对LETOR数据集进行了测试,实验表明,信息检索性能指标比其他排序算法有了进一步提高,并且无需复杂的数据预处理工作和手动设定算法参数。(本文来源于《国防科技大学学报》期刊2013年02期）
王鑫,陈光英,段海新,李学农[9]（2006）在《基于用户反馈和增量学习的垃圾邮件识别方法》一文中研究指出为了提高垃圾邮件识别的准确度,减少识别中的错判,提出了一种交互式垃圾邮件识别方法。该方法用一组具有特定权重的规则识别垃圾邮件,规则权重分布用改进遗传算法训练得到。增加用户与服务器间的交互,收集用户反馈的错判信息,根据反馈信息用增量学习动态调整规则权重。通过对SpamA ssass in扩展实现了该方法,并应用在邮件服务器上进行了测试。实验中在不影响垃圾邮件识别率的前提下,降低误判率约10%。实验结果表明:该方法不但能有效减少识别中的误判,而且避免了繁琐的重新训练,加快了规则权重的更新速度。(本文来源于《清华大学学报(自然科学版)》期刊2006年01期）
白丽君,张永奎,赵辄谦[10]（2003）在《用户兴趣的反馈学习》一文中研究指出为了给用户提供个性化的信息服务,对用户兴趣需要进行机器学习,给出了用户兴趣的几种反馈学习方法,可以有效地发现用户兴趣。(本文来源于《电脑开发与应用》期刊2003年02期）
学习用户反馈论文开题报告
（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：
面对海量学习资源,传统的基于关键字的学习资源检索忽略了语义索引,往往导致检索结果不够准确,无法满足学习者的检索需求。基于知识的学习资源检索可以解决这个问题,从检索的深度来看,用知识点来描述教学资源的语义便于知识的检索,有助于检索系统理解学习者输入的检索内容的知识语义:从检索的效率来看,离线建立学习资源到知识点的索引,对检索内容进行知识点提取可以快速地响应。因此本文首先实现了基于知识的学习资源检索,并对学习资源检索中基于知识的查询扩展策略和基于知识的相关反馈策略展开了研究,主要内容包括:(1)面对传统基于关键字的学习资源检索的缺陷,本文实现了基于知识的学习资源检索,构建语料库对知识和学习资源进行统一有效管理,利用自然语言处理技术和潜在语义分析(LSA)实现检索内容到知识点的映射以及学习资源到知识点的索引,对学习资源进行倒排实现基于知识的学习资源检索。(2)仅仅对检索内容进行知识点提取可能存在学习者表述不明等问题导致无法映射到知识点上,从而导致检索出的学习资源过少或不符合检索需求。本文提出一种基于知识的查询扩展策略,利用同义词扩展对检索内容进行语义层面的解释和补充,并利用知识库对同义词扩展过滤以及对同义词扩展查询进行进一步基于知识结构的扩展,挖掘查询相关的隐性知识点,将两部分扩展进行融合实现基于知识的查询扩展。(3)学习者进行学习资源检索时可能存在对检索结果不够满意,但是又无法对检索结果进行修正,导致学习者放弃使用学习资源检索。本文提出一种学习者对检索结果进行反馈的检索机制,通过学习者的相关反馈使检索出来的学习资源更加靠近学习者的检索需求,一方面利用多轮相关反馈对相关的知识点权重进行调整,使得呈现的学习资源更加符合学习者的知识需求;另一方面利用多人相关反馈对学习资源到知识点的索引进行修正,使得基于知识的学习资源检索结果更加可信。除了进行以上研究外,本文还搭建了知识资源扩展反馈检索系统,在实现基于知识的学习资源检索的基础上,将知识的查询扩展和学习者的相关反馈功能加入其中,使用系统收集相关数据,利用数据对相关研究方法进行验证。
（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。
学习用户反馈论文参考文献
[1].李牧闲,桂志鹏,成晓强,吴华意,秦昆.多核学习与用户反馈结合的WMS图层检索方法[J].测绘学报.2019
[2].江良.基于知识的查询扩展和用户反馈的学习资源检索研究与实现[D].华中师范大学.2019
[3].王冲,姜金川.基于分布式学习自动机和用户反馈的网页排序算法研究[J].计算机应用与软件.2019
[4].张春玲,姜成晶.利用ε-贪婪学习和用户行为反馈的搜索引擎网页排序算法[J].计算机应用研究.2019
[5].苗林茂.基于机器学习的用户反馈数据中心设计与实现[D].北京交通大学.2017
[6].刘剑.融合用户多反馈信息的排序学习算法研究[D].北京邮电大学.2016
[7].苏翔.基于机器学习方法实现购物网站用户反馈信息聚类[J].信息与电脑(理论版).2015
[8].蔡飞,陈洪辉,舒振.基于用户相关反馈的排序学习算法研究[J].国防科技大学学报.2013
[9].王鑫,陈光英,段海新,李学农.基于用户反馈和增量学习的垃圾邮件识别方法[J].清华大学学报(自然科学版).2006
[10].白丽君,张永奎,赵辄谦.用户兴趣的反馈学习[J].电脑开发与应用.2003