导读:本文包含了推荐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:学者推荐,论文推荐,Word2vec,跨语言
推荐模型论文文献综述
熊回香,李跃艳[1]（2019）在《基于Word2vec的学者推荐与跨语言论文推荐模型研究》一文中研究指出【目的/意义】学术网站是学者发现研究兴趣的有效途径,研究学者推荐与跨语言论文推荐有助于学者更好地开展学术研究。【方法/过程】利用论文之间的引用与被引关系分别爬取参考文献集合和被引文献集合,构建学者推荐与跨语言论文推荐模型。首先通过Word2vec算法模型生成候选相关学者集和候选相关论文集,计算Word2vec得分;然后分别进行加权处理,最终得到学者推荐列表和跨语言论文推荐列表。以CSSCI中的《中国图书馆学报》、《情报学报》和《图书情报工作》叁种代表性期刊在2016-2017年载文的参考文献集合与被引文献集合为数据来源进行实证分析,并验证模型的科学性与可行性。【结果/结论】实证结果表明,该模型可以很好地发现相关学者以及相关论文。(本文来源于《情报科学》期刊2019年12期）
单荣杰,马文明,祁明明[2]（2019）在《基于深度学习的个性化推荐模型应用》一文中研究指出随着信息技术的进步,推荐系统被广泛应用于购物以及新闻等网站门户中,通过分析用户的行为,得出用户兴趣偏向,进而对用户推荐相关信息,以吸引用户的注意。同时深度学习理论与技术的完善,更多复杂的模型被提出,在计算机视觉、语言理解等方面有着广泛的应用。将深度学习技术应用于推荐系统,能够更加充分的融合用户社会属性等方面信息,生成个性化的推荐,使得推荐质量得到较大提升。(本文来源于《电子技术与软件工程》期刊2019年23期）
王吉林[3]（2019）在《“互联网+”时代移动学习资源个性化推荐模型》一文中研究指出本文在分析移动学习资源个性化推荐现状的基础上,给出了一种基于混合模式的移动学习资源个性化推荐模型,并对模型的各个模块进行简单说明。希望为今后移动学习资源的个性化推荐提供模型构架方面的参考。(本文来源于《电子技术与软件工程》期刊2019年22期）
汤怀[4]（2019）在《基于逻辑回归模型的校园个性化学习资源推荐系统》一文中研究指出本文从当前校园个性化学习资源推荐系统的不足进行分析,从学习者提出的学习测验问题出发,将学习测验问题及是否正确作答转化为矩阵表示,提出一种提升学习者学习效率的学习者模型,并进行学习资源建模,再利用逻辑回归模型,以学习者学习前的测试结果作为输入,计算输出测验得分提高的最高期望值,推荐系统通过测验得分提高的期望值来量化学习效率,并通过不断迭代对学习资源进行二分类以最大化这个期望值,并提出期望值提升模型的工作方案。(本文来源于《电子技术与软件工程》期刊2019年22期）
贾宁,郑纯军[5]（2019）在《基于注意力LSTM的音乐主题推荐模型》一文中研究指出针对传统音乐推荐过程中存在的分类准确率较低、周期较长、难以满足人们在生活中对主题音乐的需求等问题,设计了一种注意力机制与长短期记忆(Long Short-Term Memory,LSTM)相结合的神经网络模型,它由音乐主题模型和音乐推荐模型构成,在使用注意力机制和LSTM网络实现音乐情感分类的基础上,音乐主题模型有效地组合了音频码本和主题模型,实现了对某个情感下的音乐主题子类的判别。音乐推荐模型则利用低级描述符(Low-Level Descriptor,LLD)和频谱图,构建手工特征与卷积循环神经网络(Convolutional Recurrent Neural Network,CRNN)特征的联合表示形式,从而获得用户语音表达的情感,并对其进行精准的音乐主题推荐。实验中,针对两个模型分别进行设计,采用两种不同的传统模型作为基线,实验结果表明,与传统的单一模型相比,此模型不仅可以提升主题分类精度,而且可以精准地判断用户语音数据的情感,从而定向地完成主题音乐的推荐。(本文来源于《计算机科学》期刊2019年S2期）
厉小军,柳虹,施寒潇,朱柳青,张亚辉[6]（2019）在《基于深度学习的课程推荐模型》一文中研究指出针对网络课程推荐中数据稀疏和推荐效果不佳的问题,将深度学习引入课程推荐,提出基于辅助信息的神经网络模型(IUNeu).该模型在已有神经矩阵分解模型(NeuMF)的基础上,结合用户信息和课程信息,并考虑它们之间的相互作用关系,以提升模型表示用户和课程的准确性.爬取慕课网(MOOC)上的学习数据进行实验,结果表明,随着向量长度和推荐课程数的增加,IUNeu模型的性能增长速度较NeuMF模型更快;不同的消极采样量对2个模型的影响较大,模型性能随着消极采样量的增加而增加,当采样量达到一定值时,变化趋于稳定;IUNeu模型比NeuMF模型具有更高的收敛速度.在IUNeu模型中加入更多课程特征信息,可以进一步提高IUNeu模型的推荐质量.(本文来源于《浙江大学学报(工学版)》期刊2019年11期）
汪涛,潘芳,潘郁,朱晓峰[7]（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）
王蓉,李小青,刘军兰,严晓梅,陈瑜[8]（2019）在《基于大数据网络用户兴趣个性化推荐模型分析》一文中研究指出针对传统分析方法受噪声和人为因素影响而造成分析结果较差的问题,我们提出了一种基于大数据的社交网络用户兴趣个性化推荐模型。在矢量空间模型的基础上,分析了用户兴趣推荐模型结构及其与周围模型的交互关系,划分了服务器网络部署模块,设计了运行模型网络结构。通过MapReduce模型将任务分布到分布式计算机集群中,用以构建用户感兴趣的个性化推荐模型。利用大数据双层关联规则数据挖掘技术获取用户感兴趣的网络数据,利用推荐结果确定用户对推荐内容的兴趣程度。实验对比结果表明,用此分析方法的分析效果可高达98%,对大规模社交网络用户的个性化推荐具有良好的可扩展性。(本文来源于《电子设计工程》期刊2019年21期）
申云凤[9]（2019）在《基于多重智能算法的个性化学习路径推荐模型》一文中研究指出基于多重智能算法的个性化学习路径推荐能够有效解决在线用户学习迷途问题,从而实现对在线用户学习进行动态指导和控制。该文以在线学习行为分析为基础,依据推荐流程,建构出个性化学习路径推荐模型。在尊重学习用户个体化差异前提下,引入人工神经网络分类和蚁群优化路径推荐等多重智能型算法。并且在个性化学习路径推荐实现环节,采用协同过滤推荐和蚁群算法相结合,有效避免了协同过滤推荐的马太效应问题,以便降低不同学习用户群的差距。(本文来源于《中国电化教育》期刊2019年11期）
宋梅青[10]（2019）在《面向高维数据环境的个性化推荐质量控制模型研究》一文中研究指出[目的/意义]在高维数据环境下,推荐的精准度和实时性存在相互制约的现象。如何在精准度与实时性之间取得平衡,实现对推荐质量的有效控制是值得研究的问题。[方法/过程]本文首先分析了高维数据环境的成因及其对推荐质量的影响,在此基础上构建了一种个性化推荐质量控制模型,该模型先评估推荐质量在精准度和实时性两个方面的损失,再结合应用环境,得到相应的质量控制策略。[结果/结论]实验分析的结果证明该模型可以在高维数据环境下实现对推荐质量的有效控制,让推荐系统可以更好地适应不同的应用环境。(本文来源于《现代情报》期刊2019年11期）
推荐模型论文开题报告
（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：
随着信息技术的进步,推荐系统被广泛应用于购物以及新闻等网站门户中,通过分析用户的行为,得出用户兴趣偏向,进而对用户推荐相关信息,以吸引用户的注意。同时深度学习理论与技术的完善,更多复杂的模型被提出,在计算机视觉、语言理解等方面有着广泛的应用。将深度学习技术应用于推荐系统,能够更加充分的融合用户社会属性等方面信息,生成个性化的推荐,使得推荐质量得到较大提升。
（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。
推荐模型论文参考文献
[1].熊回香,李跃艳.基于Word2vec的学者推荐与跨语言论文推荐模型研究[J].情报科学.2019
[2].单荣杰,马文明,祁明明.基于深度学习的个性化推荐模型应用[J].电子技术与软件工程.2019
[3].王吉林.“互联网+”时代移动学习资源个性化推荐模型[J].电子技术与软件工程.2019
[4].汤怀.基于逻辑回归模型的校园个性化学习资源推荐系统[J].电子技术与软件工程.2019
[5].贾宁,郑纯军.基于注意力LSTM的音乐主题推荐模型[J].计算机科学.2019
[6].厉小军,柳虹,施寒潇,朱柳青,张亚辉.基于深度学习的课程推荐模型[J].浙江大学学报(工学版).2019
[7].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
[8].王蓉,李小青,刘军兰,严晓梅,陈瑜.基于大数据网络用户兴趣个性化推荐模型分析[J].电子设计工程.2019
[9].申云凤.基于多重智能算法的个性化学习路径推荐模型[J].中国电化教育.2019
[10].宋梅青.面向高维数据环境的个性化推荐质量控制模型研究[J].现代情报.2019