导读:本文包含了联合聚类论文开题报告文献综述及选题提纲参考文献，主要关键词:推荐系统,协同过滤,二分图划分联合聚类,簇偏好相似性
联合聚类论文文献综述
黄乐乐,马慧芳,李宁,余丽[1]（2019）在《基于二分图划分联合聚类的协同过滤推荐算法》一文中研究指出准确而积极地向用户提供他们可能感兴趣的信息或服务是推荐系统的主要任务。协同过滤是采用得最广泛的推荐算法之一,而数据稀疏的问题往往严重影响推荐质量。为了解决这个问题,提出了基于二分图划分联合聚类的协同过滤推荐算法。首先将用户与项目构建成二分图进行联合聚类,从而映射到低维潜在特征空间;其次根据聚类结果改进2种相似性计算策略:簇偏好相似性和评分相似性,并将二者相结合。基于结合的相似性,分别采用基于用户和项目的方法来获得对未知目标评分的预测。最后,将这些预测结果进行融合。实验结果表明,所提算法比最新的联合聚类协同过滤推荐算法具有更好的性能。(本文来源于《计算机工程与科学》期刊2019年11期）
龚卫华,金蓉,裴小兵,梅建萍[2]（2019）在《LBSN中基于社区联合聚类的协同推荐方法》一文中研究指出近年来,异质网络中的社区发现逐渐成为人们关注的研究热点,然而现有大多数非重迭或重迭的社区发现方法都局限于考虑单一类型的网络结构,而无法适用于包含多模实体及其多维关系的异质网络,基于位置的社交网络(location based social network, LBSN)作为最近兴起的一种新型异质网络,如何有效发现其含有多维关系的复杂社区结构对现有研究来说是一个挑战性的难题.为此,提出了一种融合用户与位置实体及其多维关系的社区发现方法MRNMF(multi-relational nonnegative matrix factorization),该方法通过建立基于非负矩阵分解的联合聚类目标函数,并考虑融入用户社交关系、用户-位置签到关系以及兴趣点特征等多维度的影响因素,能同时获得紧密关联的用户模糊社区与兴趣点聚簇结构,以有效缓解推荐中的数据稀疏问题.在2种真实LBSN数据集上的实验结果表明,所提出的MRNMF方法同时在兴趣点与朋友这双重推荐上比其他传统方法具有更优越的推荐性能.(本文来源于《计算机研究与发展》期刊2019年11期）
魏家辉,马慧芳,贺相春,李志欣[3]（2019）在《一种最大化模块度的可重迭联合聚类算法》一文中研究指出针对许多现实数据集不仅包含行列簇之间的大量重迭,还包含不属于任何簇的异常值,提出了一种最大化模块度的可重迭的联合聚类方法(OMMCC),即行簇和列簇都允许重迭,并且数据矩阵的行列离群值都不分配给任何簇。具体的,设计了统一框架将数据的非穷尽与可重迭的约束加入目标函数,通过使用迭代交替优化过程直接最大化模块度,高效地获得更好的块对角非穷尽可重迭联合聚类,且重迭程度和非穷尽程度的参数易于理解。实验结果表明,本文方法非常有效、稳定并且优于其他联合聚类算法。(本文来源于《陕西师范大学学报(自然科学版)》期刊2019年05期）
李珊,姚叶慧,厉浩,刘洁,嘎玛白姆[4]（2019）在《基于ISA联合聚类的组推荐算法研究》一文中研究指出【目的】避免在组推荐群组划分阶段对群组个数k值的经验依赖,提高推荐算法的准确率及扩展性。【方法】应用ISA联合聚类算法,从用户、项目两个维度同时聚类,获取精准的重迭兴趣群组;在各群组内结合用户专业度构建出代表群组共同偏好的虚拟用户;最后基于虚拟用户进行协同过滤推荐。【结果】通过ISA联合聚类摆脱了k值依赖,基于ISA联合聚类的组推荐算法在FilmTrust数据集200和500群组规模的MAE值分别为0.697和0.693, MovieLens数据集上RMSE值为1.022,与其他算法相比准确率有所提升。【局限】基于ISA的群组划分算法具有一定的随机性,需多次重复实验。【结论】本文算法能够摆脱传统聚类算法对k值的经验依赖,有效提高协同过滤推荐算法的准确率及扩展性。(本文来源于《数据分析与知识发现》期刊2019年08期）
王丽芳,史超宇,蔺素珍,秦品乐,高媛[5]（2019）在《基于联合图像块聚类自适应字典学习的多模态医学图像融合》一文中研究指出针对多模态医学图像融合中过完备自适应字典存在的大量冗余信息会导致图像重建质量不佳的问题,文中提出了基于联合图像块聚类自适应字典学习的多模态医学图像融合方法(JCPD)。该方法首先计算图像块的欧氏距离,通过比较设定的阈值和图像块的最小距离来剔除冗余图像块,减少冗余图像块的数量。然后,使用局部调制核回归(SKR)提取图像块的局部梯度信息作为聚类中心,将具有相同局部梯度信息的两种模态的图像块进行联合图像块聚类。在联合图像块聚类的基础上使用改进的K-SVD算法对图像块聚类形成的类簇进行训练得到子字典,并将子字典合并成自适应字典。最后,在自适应字典的作用下用正交匹配追踪算法(OMP)计算得到稀疏表示系数,再使用"2范数最大"的规则融合稀疏系数,之后通过重建得到融合图像。实验表明,与2种基于多尺度变换的方法和6种基于稀疏表示的方法相比,所提方法在保证字典信息的完整性和字典的紧凑性基础上使得融合的图像清晰度更高、对比度更强,便于临床诊断和辅助治疗。(本文来源于《计算机科学》期刊2019年07期）
黄梦婷,张灵,姜文超[6]（2019）在《基于流形正则化的多类型关系数据联合聚类方法》一文中研究指出随着大数据应用的发展,通过非线性流形采样得到的多类型关系数据规模越来越大,数据几何结构更加复杂,异构关系数据变得异常稀疏,导致数据挖掘难度增大且准确率降低。针对上述问题,提出一种基于流形非负矩阵叁分解的多类型关系数据联合聚类方法:首先,对于较小规模的实体,根据其自然关系或内容相关性构造关联矩阵,对其分解后得到该类实体的聚类指示矩阵,将其作为非负矩阵叁分解的输入;然后,在快速非负矩阵叁分解(FNMTF)的基础上加入流形正则化处理,实现数据类型间关系与类型内部关系的联合聚类,进一步提高聚类的准确率。实验表明:在准确率和整体性能方面,流形非负矩阵叁分解算法优于传统的基于非负矩阵分解的联合聚类算法。(本文来源于《计算机科学》期刊2019年06期）
张怡霄,郭文普,康凯,姚云龙,张林科[7]（2019）在《基于数据场联合PRI变换与聚类的雷达信号分选》一文中研究指出基于脉冲描述字进行雷达信号分选时,传统聚类算法需要预先人工设定聚类中心和聚类数目。针对该问题,提出一种基于数据场理论联合脉冲重复间隔(pulse repetition interval,PRI)变换与聚类的雷达信号分选新方法。首先,依据数据场理论,基于势值大小实现干扰点剔除,而后利用PRI变换算法进行PRI估计,依据PRI估计值将归一化脉冲描述字数据预分类,进而以各类数据集中心间的欧氏距离小于辐射因子为准则进行类别合并,自动得到初始聚类中心和聚类数目,最后通过改进K-Means算法完成聚类分选。仿真实验表明:所提方法能够应对存在频率捷变,重频参差、抖动、参数交迭、局部脉冲丢失的复杂信号环境,分选正确率明显提升。(本文来源于《系统工程与电子技术》期刊2019年07期）
谌裕勇[8]（2019）在《基于联合半监督学习的大数据聚类算法》一文中研究指出为了提高对用户行为特征挖掘能力,需要对用户行为特征多维度文本数据进行优化聚类处理,提出一种基于联合半监督学习的大数据聚类算法。采用分段线性拟合方法进行用户行为特征大数据线性规划处理,提取用户行为特征大数据的互信息特征量,结合联合关联规则检测方法进行用户行为特征多维度文本数据的统计分析,构建大数据分布的关联属性样本集,采用联合半监督学习分类器进行数据分类,结合多传感量化跟踪识别方法进行聚类中心自动搜索,提高聚类收敛性。仿真结果表明,采用该方法进行用户行为特征多维度文本数据聚类处理的信息融合性能较好,数据聚类中心的自动搜索能力较强,提高了大数据分类检索能力。(本文来源于《智能计算机与应用》期刊2019年03期）
李卓聪[9]（2019）在《基于不平衡约束及联合损失的深度聚类研究》一文中研究指出在大数据时代,聚类方法作为机器学习与数据挖掘中最重要的方法之一,已经在各行各业都广泛应用。其中,半监督聚类通过增加少量的辅助监督信息,既只需要付出少量的人工成本,同时又可以获得相对高质量的聚类效果。因此,对半监督聚类的研究能够帮助各个行业在海量多维数据中快速分析数据,具有重要的应用价值和学术价值。半监督聚类的监督信息主要分为类标签和成对约束信息。本文以基于成对约束信息的半监督聚类作为研究的重点,提出了联合损失的深度聚类模型。本文的主要工作包括:1.本文提出一种联合重构损失、成对约束损失和聚类损失的深度聚类网络。该深度聚类网络采用深度自编码器网络的重构损失,确保网络的隐藏层可以学习样本的数据特征;通过构建成对约束损失,使得隐藏向量可以体现样本相似性,即相同类别的样本距离更近,不同类别的样本聚类更远;通过引入聚类损失,使得神经网络进一步学习到样本之间的相似性,从而实现良好的聚类效果。在多个实验上表明,本文提出的聚类模型具有更好的效果。2.本文提出一种基于动态代价敏感的成对约束损失。针对成对约束标签中存在类别不平衡的情况,本文采用动态学习的放大少数类样本权重的代价敏感法。本文提出的动态代价敏感的成对约束损失构建的隐藏向量更加体现样本相似性,实验表明其具有更好的聚类效果。(本文来源于《华南理工大学》期刊2019-04-15）
郭蕊,孙福振,王绍卿,张进,王帅[10]（2019）在《基于Bregman联合聚类与加权矩阵分解的融合推荐算法》一文中研究指出针对当前大数据背景下推荐系统中所存在推荐效率低下、扩展性差、推荐质量不高等问题,提出一种基于Bregman联合聚类与加权矩阵分解的融合推荐算法(CO-CWMA)。首先,通过Bregman联合聚类挖掘出多样、不同层次的低秩评分子矩阵,组合不同约束与距离的聚类结果训练得到子模型,进而在各个模型的子矩阵上并发地进行矩阵分解,最后将各个子模型进行均值融合,提高推荐质量、效率与扩展性。在矩阵分解阶段采用SVD++算法,基于每个子矩阵中的评分分布计算加权策略,给予高频评分较大权值,在梯度下降阶段利用学习率函数控制学习率的更新。实验结果表明,与叁种基线算法相比,该算法在均方根误差(RMSE)与平均绝对误差(MAE)上均有明显降低,即推荐质量有较大提升。(本文来源于《科学技术与工程》期刊2019年08期）
联合聚类论文开题报告
（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：
近年来,异质网络中的社区发现逐渐成为人们关注的研究热点,然而现有大多数非重迭或重迭的社区发现方法都局限于考虑单一类型的网络结构,而无法适用于包含多模实体及其多维关系的异质网络,基于位置的社交网络(location based social network, LBSN)作为最近兴起的一种新型异质网络,如何有效发现其含有多维关系的复杂社区结构对现有研究来说是一个挑战性的难题.为此,提出了一种融合用户与位置实体及其多维关系的社区发现方法MRNMF(multi-relational nonnegative matrix factorization),该方法通过建立基于非负矩阵分解的联合聚类目标函数,并考虑融入用户社交关系、用户-位置签到关系以及兴趣点特征等多维度的影响因素,能同时获得紧密关联的用户模糊社区与兴趣点聚簇结构,以有效缓解推荐中的数据稀疏问题.在2种真实LBSN数据集上的实验结果表明,所提出的MRNMF方法同时在兴趣点与朋友这双重推荐上比其他传统方法具有更优越的推荐性能.
（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。
联合聚类论文参考文献
[1].黄乐乐,马慧芳,李宁,余丽.基于二分图划分联合聚类的协同过滤推荐算法[J].计算机工程与科学.2019
[2].龚卫华,金蓉,裴小兵,梅建萍.LBSN中基于社区联合聚类的协同推荐方法[J].计算机研究与发展.2019
[3].魏家辉,马慧芳,贺相春,李志欣.一种最大化模块度的可重迭联合聚类算法[J].陕西师范大学学报(自然科学版).2019
[4].李珊,姚叶慧,厉浩,刘洁,嘎玛白姆.基于ISA联合聚类的组推荐算法研究[J].数据分析与知识发现.2019
[5].王丽芳,史超宇,蔺素珍,秦品乐,高媛.基于联合图像块聚类自适应字典学习的多模态医学图像融合[J].计算机科学.2019
[6].黄梦婷,张灵,姜文超.基于流形正则化的多类型关系数据联合聚类方法[J].计算机科学.2019
[7].张怡霄,郭文普,康凯,姚云龙,张林科.基于数据场联合PRI变换与聚类的雷达信号分选[J].系统工程与电子技术.2019
[8].谌裕勇.基于联合半监督学习的大数据聚类算法[J].智能计算机与应用.2019
[9].李卓聪.基于不平衡约束及联合损失的深度聚类研究[D].华南理工大学.2019
[10].郭蕊,孙福振,王绍卿,张进,王帅.基于Bregman联合聚类与加权矩阵分解的融合推荐算法[J].科学技术与工程.2019