导读:本文包含了加权协同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,推荐算法,全加权矩阵分解,社交网络
加权协同论文文献综述
邓秀勤,刘太亨,刘富春,龙咏红[1]（2019）在《基于全加权矩阵分解的用户协同过滤推荐算法》一文中研究指出针对传统的基于用户协同过滤推荐算法将用户对某物品的喜好程度等同看待的问题,文中提出了一种融合全加权矩阵分解的用户协同过滤模型。该模型首先为观测值设计频率感知加权,且非均匀地设计用于未观测值的用户导向加权。然后组合观测值和未观测值的加权,并根据评分确定用户声誉和用户关系的相似性,构建融合全加权矩阵分解的用户协同过滤模型。为了验证提出的推荐算法的性能,在Douban、Epinions和Last.fm 3个真实数据集上进行了仿真实验。实验结果表明,所提出的AWMF_UCFR算法的推荐准确性与MF算法、WRMF-UO算法、SoRS算法相比有显着提高。(本文来源于《计算机科学》期刊2019年S2期）
罗涛,冯玉田,王瑞[2]（2019）在《基于曼哈顿距离加权协同表示分类的车辆识别》一文中研究指出加权稀疏表示分类(WSRC)在声频传感器网络下的车辆识别中取得了不错的效果;但是稀疏表示分类(SRC)中实际上起较大作用的是字典中所有类的协同表示,因此协同表示分类(CRC)被提出用来提升算法效率,CRC框架还改进了残差计算方式来提高识别精度;在WSRC中发现保局性对提升识别率起到很好的作用,因此在CRC中引入加权编码,提出了声频传感器网络下基于加权协同表示分类(WCRC)的车辆识别方法,取得了明显的速度(相比WSRC、SRC)以及不错的精度(对比WSRC、CRC、SRC)提升;同时针对欧氏距离对样本相似性判断的不足,将曼哈顿距离引入加权编码,进一步地提出了基于曼哈顿距离加权协同表示分类(Manhattan-WCRC)的车辆识别方法,取得了最高的识别率,而运算速度与WCRC接近。(本文来源于《计算机测量与控制》期刊2019年08期）
宋芳[3]（2019）在《基于项目流行度加权的协同过滤推荐系统研究与开发》一文中研究指出随着互联网信息技术的飞速发展,多种多样的在线课程大量涌现,为众多学习者提供了丰富的学习资源和灵活选择。与此同时,这种互联网平台信息“超载”现象的日益加剧,导致学习者需要花费大量时间和精力搜索、选择适合自身的学习资源,且往往效果也不尽如人意,这就大大削弱了在线学习平台的辅助作用。为解决这一问题,可采用协同过滤推荐方法给用户推荐个性化学习课程资源。在分析流行度推荐算法的基础上提出加入用户分群的流行度推荐算法,解决新注册用户在协同过滤推荐技术中存在的冷启动的难题。对于老用户,流行度和流行度差异对协同过滤中相似度的计算影响很大,提出结合自适应流行度阈值的项目流行度加权的协同过滤推荐算法,通过设置自适应的流行度阈值和流行度惩罚和补偿的权重,并将其引入到相似度计算公式中,对于流行度大于阈值的课程进行惩罚,对于流行度小于阈值的课程进行补偿,由此,减轻了流行度和流行度的差异对协同过滤项目相似度的计算影响,并且提升了个性化课程推荐系统的覆盖率。主要工作如下:1.基于个性化推荐系统国内和国外的研究背景,论文介绍了基于关联规则和协同过滤的推荐算法理论思想和实现过程,以及他们各自的优缺点。2.针对协同过滤推荐算法遇到的新用户冷启动的问题,分析了基于流行度的推荐算法,提出了一种加入用户分群的流行度的推荐算法。通过该方法,可以妥善处理协同过滤推荐技术中新注册用户的冷启动问题。3.根据流行度和流行度的差异对协同过滤推荐中相似度计算的影响,基于项目(即课程)的流行度加权的协同过滤推荐技术,提出了一种基于项目(即课程)流行度加权和自适应阈值的协同过滤推荐算法。该算法通过设置自适应流行度阈值和流行度惩罚权重,并将其引入相似度计算公式中,以此缓解流行度对相似度计算的影响。4.实现了推荐系统的设计与开发。从功能性和非功能性两个方面分析了推荐系统的需求。个性化推荐系统是在Java EE平台构建的SSM框架下开发的每个功能模块和数据库表的设计,设计包括用户端模块、系统管理员端模块和数据库模块。推荐系统平台中程序开发和数据库表设计分别使用Eclipse和My SQL,并在tomcat服务器下运行,完成了整个系统的设计与实现。(本文来源于《宁夏大学》期刊2019-05-20）
邓小燕,张晓彬[4]（2019）在《基于改进加权二部图和用户信任度的协同过滤推荐算法》一文中研究指出基于复杂网络物质扩散原理的二部图理论在协同过滤推荐领域的应用受到越来越多学者的关注,现有算法计算邻居用户时主要考察用户对项目的正向评价,未充分考虑用户的负向评价.为进一步提高推荐算法的准确度,提出了改进算法,将用户正向评价和负向评价量化成二部图上的路径权重,控制用户能量的分配,并在邻居用户预测评分阶段考虑用户的信任度,推荐结果更加准确.采用MovieLens和Eachmovie数据集对改进算法以及现有算法进行对比实验分析,证明改进算法具有更低的平均绝对偏差.(本文来源于《计算机系统应用》期刊2019年05期）
陈酉明,宋晓宁,于东军[5]（2019）在《基于分块加权LBP向量和解析字典的协同表达分类》一文中研究指出传统协同表达分类(CRC)算法因直接使用原始样本构造非传统字典,容易受到样本维度、光照和姿态变化等因素的影响。该文在协同表达框架基础上,提出了一种新的利用分块加权局部二值特征(LBP)直方图向量构造解析字典的协同表达人脸分类方法。首先通过分块加权方法优化LBP算子提取的纹理特征,然后采用解析字典学习方法将样本数据投影到稀疏系数空间,并使用协同表达方法重构测试样本,完成样本分类。与已有算法相比,该文算法的实验结果较好。ORL和LFW数据库上的实验结果证明了该文方法的有效性。(本文来源于《南京理工大学学报》期刊2019年02期）
刘宏,张时斌,韩亚波,关业欢[6]（2019）在《基于加权相似度显隐式反馈的协同过滤算法》一文中研究指出针对传统的协同过滤算法没有考虑到不同用户之间相似度的差异以及用户对项目的评分时间等因素的影响,提出了一种基于加权相似度显隐式反馈的协同过滤算法:先获取用户的显式和隐式反馈评分信息以及用户-项目的评分时间信息。再对评分信息进行基于时间的加权处理,并对传统的相似度计算方法进行修改,引入相关度因子。最终根据预测公式获得用户的推荐结果。实验仿真表明算法在平均绝对误差和精确率两个指标上有了一定的提高,并在一定程度上提高了推荐算法的准确性。(本文来源于《价值工程》期刊2019年13期）
侯良国,向泽君,楚恒[7]（2019）在《加权融合核稀疏和协同表示的高光谱影像分类》一文中研究指出为进一步提高表示分类器中基原子对测试样本的表达能力,提出一种加权融合核稀疏和协同表示的高光谱影像分类算法(WKSCRC)。充分利用核函数处理非线性数据的优势,将高光谱影像数据映射到高维核特征空间;对核稀疏表示系数和核协同表示系数进行加权融合,在核融合表示系数下重构分类测试样本。在ROSIS和AVIRIS两个数据集上的仿真结果表明,该算法在精度与稳定性上优于其它传统分类算法。(本文来源于《计算机工程与设计》期刊2019年04期）
彭康华,姚江梅,黄裕锋[8]（2019）在《一种新型有向加权协同过滤算法的推荐技术研究》一文中研究指出在"互联网+"的大数据时代,要获得有价值的信息需耗费大量的时间与精力,网络资源个性化推荐技术有望解决这个问题。研究指出修正协同过滤算法的优点及不足,重点就重合因子的不足进行修正和改进,从而推荐一种新的基于有向重合因子的相似度修正方法。以四个不同稀疏度的数据集为样本进行实践论证,通过算法的分析对比得到结论,各数据集中DWSCF(有向加权相似度协同过滤算法)效率最高,其次为JSCF(Jaccard修正协同过滤算法)及WSCF(加权相似度协同过滤算法),最低的是CF(协同过滤算法),大量样本数据验证了创新的基于有向加权相似度协同过滤改进算法是有效和可行的。(本文来源于《计算机与数字工程》期刊2019年01期）
龚彦鹭,吕佳[9]（2019）在《结合半监督聚类和加权KNN的协同训练方法》一文中研究指出针对协同训练方法在迭代时选择加入的无标记样本所隐含的有用信息不够,以及协同训练方法多个分类器标记不一致带来错误标记无标记样本的问题,提出了一种结合半监督聚类和加权K最近邻的协同训练方法。该方法在每次迭代过程中,先对训练集进行半监督聚类,选择隶属度高的无标记样本给朴素贝叶斯分类,再用加权K最近邻算法对多个分类器分类不一致的无标记样本重新分类。利用半监督聚类能够选择出较好表现数据空间结构的样本,而采用加权K最近邻算法为标记不一致的无标记样本重新标记能够解决标记不一致带来的分类精度降低问题。在UCI数据集上的对比实验验证了该算法的有效性。(本文来源于《计算机工程与应用》期刊2019年22期）
王剑,余青松[10]（2019）在《关联性动态加权的协同过滤推荐》一文中研究指出利用传统的协同过滤(CF)算法进行推荐时,由于用户评分矩阵比较稀疏,直接得到的用户或者项目之间的相似度相对而言可信度就比较低。为了解决这个问题,在传统的协同过滤基础上,引入项目与项目之间的关联性,通过在项目的类别标签和二部图的方法之间构建动态权重因子来融合这两种关联,形成非对等关联性关系,并做出用户对项目的评分预测,从而解决评分矩阵过于稀疏的问题。研究结果表明,相比于传统方法中使用对等相似度关系以及固定权值的方法,通过动态权重融合关联性形成非对等的关系的方法,更贴合生活实际,并且有更好的推荐效果。(本文来源于《计算机应用研究》期刊2019年11期）
加权协同论文开题报告
（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：
加权稀疏表示分类(WSRC)在声频传感器网络下的车辆识别中取得了不错的效果;但是稀疏表示分类(SRC)中实际上起较大作用的是字典中所有类的协同表示,因此协同表示分类(CRC)被提出用来提升算法效率,CRC框架还改进了残差计算方式来提高识别精度;在WSRC中发现保局性对提升识别率起到很好的作用,因此在CRC中引入加权编码,提出了声频传感器网络下基于加权协同表示分类(WCRC)的车辆识别方法,取得了明显的速度(相比WSRC、SRC)以及不错的精度(对比WSRC、CRC、SRC)提升;同时针对欧氏距离对样本相似性判断的不足,将曼哈顿距离引入加权编码,进一步地提出了基于曼哈顿距离加权协同表示分类(Manhattan-WCRC)的车辆识别方法,取得了最高的识别率,而运算速度与WCRC接近。
（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。
加权协同论文参考文献
[1].邓秀勤,刘太亨,刘富春,龙咏红.基于全加权矩阵分解的用户协同过滤推荐算法[J].计算机科学.2019
[2].罗涛,冯玉田,王瑞.基于曼哈顿距离加权协同表示分类的车辆识别[J].计算机测量与控制.2019
[3].宋芳.基于项目流行度加权的协同过滤推荐系统研究与开发[D].宁夏大学.2019
[4].邓小燕,张晓彬.基于改进加权二部图和用户信任度的协同过滤推荐算法[J].计算机系统应用.2019
[5].陈酉明,宋晓宁,于东军.基于分块加权LBP向量和解析字典的协同表达分类[J].南京理工大学学报.2019
[6].刘宏,张时斌,韩亚波,关业欢.基于加权相似度显隐式反馈的协同过滤算法[J].价值工程.2019
[7].侯良国,向泽君,楚恒.加权融合核稀疏和协同表示的高光谱影像分类[J].计算机工程与设计.2019
[8].彭康华,姚江梅,黄裕锋.一种新型有向加权协同过滤算法的推荐技术研究[J].计算机与数字工程.2019
[9].龚彦鹭,吕佳.结合半监督聚类和加权KNN的协同训练方法[J].计算机工程与应用.2019
[10].王剑,余青松.关联性动态加权的协同过滤推荐[J].计算机应用研究.2019