导读:本文包含了上下文感知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,上下文感知,上下文获取,上下文整合
上下文感知论文文献综述
ALI,Waqar,邵杰,KHAN,Abdullah,Aman,TUMRANI,Saifullah[1]（2019）在《上下文感知推荐系统：挑战和机遇（英文）》一文中研究指出该文梳理了社会和科学领域中上下文感知推荐系统的主要概念、技术、挑战和未来趋势;其次,分类介绍了可用于基于上下文的推荐的一系列技术和主要框架。除了经典的基于内容、基于协同过滤和基于矩阵分解的技术之外,调研了最近的研究方向,即基于深度学习和基于模糊逻辑的方法。最后,描述了在推荐过程中利用上下文信息的潜在研究机会。(本文来源于《电子科技大学学报》期刊2019年05期）
熊盛武,陈振东,段鹏飞,刘晓赟[2]（2019）在《基于可信向量的知识图谱上下文感知表示学习》一文中研究指出面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的叁元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得叁元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
司元[3]（2019）在《上下文感知相关滤波目标跟踪算法研究》一文中研究指出目标跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。过去二叁十年视觉目标跟踪技术取得了长足的进步,特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果,使目标跟踪技术获得了突破性的进展。目标(单目标)跟踪就是在给定某视频序列初始帧的目标大小与位的情况下,预测后续帧中该目标的大小与位置。运动目标跟踪是一个极具挑战性的任务,因为对于运动目标而言,其运动的场景非常复杂并且经常发生变化,或是目标本身也会不断变化,如何在复杂场景中识别并跟踪不断变化的目标就成为一个挑战性的任务。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法和判别式方法。生成式跟踪方法于前几年比较盛行,而近来判别式跟踪方法逐渐占据了主流地位,以相关滤波和深度学习为代表的判别式方法取得了令人满意的效果。论文对上下文感知相关滤波目标跟踪算法进行了改进,主要研究工作如下:(1)针对原文算法在构建滤波器模型时,对目标周围的上下文区域同等看待,生成的滤波器模型对于快速运动和尺度变化等因素表现不够稳健,为此,改进的算法中采用稀疏光流法创建上下文权值矩阵,用加权后的上下文重构滤波器模型,最后通过与其他算法进行对比实验验证了改进算法的有效性。(2)针对原文算法模型目标在经历背景混乱、相似物干扰及目标形变、尺度变化时表现的跟踪不稳定现象,采用背景抑制模型和颜色概率模型分别确定目标估计位置,最后,将这两种模型所确定的目标位置依据各自的响应分数进行线性加权确定最终位置,经过对比试验证明了提出算法的可行性。(本文来源于《湖南工业大学》期刊2019-06-05）
刘源[4]（2019）在《基于特征距离和时间效应的上下文感知推荐技术研究》一文中研究指出随着Web2.0时代的到来,网络技术的迅猛发展以及移动设备的普及,互联网中产生的数据量呈指数增长,用户被淹没在浩瀚的数据的海洋中。为了解决这一问题,推荐系统应运而生,它可以为用户过滤掉绝大部分的垃圾信息,在节约用户时间的同时也在一定程度上解决了信息过载问题。在很多场景中,上下文信息是确定用户兴趣的重要因素。上下文感知推荐系统可以提高许多场景中预测的准确度,正逐渐成为研究热点。距离和时间是设计上下文感知推荐系统时最常见的两个因素。因此,本文将针对距离因素中只考虑了距离中的物理信息而忽略了距离中的文化差异以及时间因素中只考虑了时间衰减效应而忽略了时间记忆效应这两大问题,对推荐算法进行改进以及对结果进行对比分析,以此来提高算法的准确率和召回率,并讨论了如何在数据缺失的情况下提升推荐结果的准确性。(1)基于特征距离的上下文感知推荐技术。在目前的研究中,距离因素一般是指可以直接度量的地理或者物理上的距离。然而,在推荐系统中,用户做的每一个的决定不止与他的所处的地理位置相关,更与家庭环境,经济状况,宗教信仰以及价值观等广义的距离特征有着密切联系,因此只考虑狭义的距离特性的推荐系统有一定的局限性。本文对广义的距离特征这一抽象概念进行量化,在协同过滤推荐系统中引入Hofstede的文化距离模型(一种衡量不同国家文化差异和价值取向的模型),提出了一个基于特征距离的协同过滤推荐算法并预测某些缺失文化距离值的物品的数值。最后在真实数据集上进行实验验证。实验结果表明,与传统的推荐方法相比,本文的算法可以将准确率提高9%。(2)基于时间效应的上下文感知推荐技术。传统的时间上下文感知的推荐系统只考虑了时间衰减效应,认为用户之间的相关性只会随着时间的增长而降低,而忽视了在特定的时间条件下,人们会有特定的记忆并增强两者之间的相关性。为了更好地分析用户意图并产生更精确的推荐结果,本文讨论了时间效应对推荐系统的影响,提出了时间记忆效应的概念,并将其与传统的时间衰减效应结合提出新的时间效应函数。然后根据新的时间效应函数,改变用户相似度的权重并对推荐物品的预测评分产生影响,最后根据预测评分生成推荐结果。基于大规模实际数据的实验结果表明,与传统的推荐方法相比,基于时间效应的上下文感知推荐算法可以将准确率提高7%。(本文来源于《北京邮电大学》期刊2019-05-30）
梅磊[5]（2019）在《基于注意力交互网络的上下文感知推荐系统研究》一文中研究指出在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量的信息中找到自己感兴趣的高质量信息,信息生产者则希望将正确的产品和服务定位到用户身上,以增加收入和用户的忠诚度,而推荐系统在其中扮演了关键的角色。通过挖掘和分析用户的历史行为、个人信息等方式,推荐系统对用户的兴趣爱好进行建模,并向用户推荐他们感兴趣的物品。传统的推荐系统在建模的过程中只考虑了用户和物品之间的交互关系,却忽略了用户和物品交互时所处的上下文环境,而上下文环境中包含的丰富上下文信息会对用户的行为产生微妙但强大的影响。与传统的推荐系统相比,上下文感知推荐系统通过考虑上下文环境的影响可以更准确地建模用户对物品的兴趣,从而提高推荐的效果。现有的主流上下文感知推荐算法主要建立在隐语义模型的基础上,它们将上下文环境对用户和物品的通用作用表示成一个多维张量。为了建模上下文环境对用户和物品的作用,这类模型利用这个多维张量、用户特征向量(或物品特征向量)以及上下文环境的特征向量叁者之间的线性操作为用户(或物品)生成上下文感知的表示。上下文感知的用户表示和物品表示可以理解为在上下文环境影响下发生了变化的用户兴趣以及物品属性,而两者进一步的内积操作则可以得到在当前上下文环境中用户对物品的喜好评分。虽然现有的上下文感知推荐算法相比于传统的推荐系统在推荐效果上有了很大的提升,但是仍然存在诸多缺陷。首先,这些模型仅仅借助简单的线性操作无法有效地建模上下文环境的复杂和非线性的作用,其次,上下文环境中不同类型的上下文对用户和物品的作用是不同,然而现有的模型无法区分它们的重要性。为了解决现有算法存在的问题,本文探索了深度学习在上下文感知推荐领域的应用并提出了一种新的神经网络模型——注意力交互网络。具体地,注意力交互网络包含了叁个核心的功能模块,即交互中心模块、注意力模块和用户/物品中心模块。交互中心模块关注到上下文环境中每个上下文和用户、物品之间的交互,并捕获每个上下文对用户和物品的作用。注意力模块学习每个上下文作用的重要性,并加权合成得到当前上下文环境对用户的整体作用。同样地,我们可以得到当前上下文环境对物品的整体作用。最后,用户/物品中心模块建模整体作用会对用户兴趣的物品属性产生什么样的影响,得到的上下文感知的用户表示和物品表示用于下一步的评分预测。实验方面,本文在两个显式反馈数据集和一个隐式反馈数据集上进行了大量的实验。实验结果表明,与现有的最先进的上下文感知推荐算法相比,注意力交互网络在评分预测和个性化排序任务上的效果都有显着的提升。通过进一步的分析实验,我们还发现注意力交互网络在向用户生成推荐的过程中能够提供更好的可解释性。(本文来源于《山东大学》期刊2019-04-20）
刘波,许廷发,李相民,史国凯,黄博[6]（2019）在《自适应上下文感知相关滤波跟踪》一文中研究指出针对上下文感知相关滤波目标跟踪算法中,上下文背景样本等值权重训练,对背景信息滤波过于平滑的问题,提出了一种自适应上下文感知相关滤波算法,同时为了解决目标遮挡的问题,引入一种新的遮挡判定指标。首先,提取目标上下左右4个方向的背景样本学习到滤波器中,利用卡尔曼滤波对目标运动状态进行估计,预测目标的运动方向。在滤波器训练时,对目标运动方向上的背景样本训练时赋予较多的权重;接着,在模型更新时引入一个新的遮挡判定指标APCE,只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时,才对目标模型进行更新;最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明,本文算法的精准率和成功率分别为0. 810和0. 701,均优于其他算法,充分体现出了本文提出算法的鲁棒性。(本文来源于《中国光学》期刊2019年02期）
匡海丽,常亮,宾辰忠,古天龙[7]（2019）在《上下文感知旅游推荐系统研究综述》一文中研究指出随着人们生活水平的提高,旅游已成为一项普遍的休闲活动,进而推动了旅游推荐方面技术的研究。与传统推荐系统相比,除了考虑游客和旅游产品的相关特征之外,旅游推荐系统的推荐质量在很大程度上受到位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架;然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详细考察,并对综合应用各种上下文信息的旅游推荐系统进行了分析;从旅游推荐产品的角度对推荐系统进行分类考察;最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题,指出下一步的研究方向。(本文来源于《智能系统学报》期刊2019年04期）
郑操[8]（2019）在《基于上下文感知的汤普森采样推荐算法研究》一文中研究指出探索和利用是推荐系统中一类非常重要问题,如何在探索和利用中找到一个平衡点是这类问题的关键,通过物品的上下文信息以及通过对用户特征不断的学习,给出一个基于上下文感知的多臂Bandit模型,利用汤普森采样对用户特征进行迭代学习的算法,并通过累积回报评价指标对算法模型的有效性进行评估。(本文来源于《现代计算机(专业版)》期刊2019年07期）
谭翠媚,刘波[9]（2019）在《双约束上下文感知相关滤波跟踪算法》一文中研究指出提出一种双约束上下文感知相关滤波跟踪算法。针对最小输出平方和误差滤波器的无偏估计容易引起过拟合的情况,结合线性岭回归训练的滤波器,提高算法的泛化能力;根据上下文感知相关滤波中的背景选择方向固定,进行基于卡尔曼滤波的自适应背景选择,提高滤波器对目标及背景的判别性;同时在目标模型更新策略中使用新的遮挡判据APCE。最后将本文算法与当前主流的跟踪算法做仿真对比,验证了本文算法的优越性和鲁棒性。(本文来源于《自动化与信息工程》期刊2019年01期）
何冉,陈自力,刘建军,高喜俊[10]（2019）在《自适应上下文感知相关滤波目标跟踪》一文中研究指出针对传统相关滤波目标跟踪算法在目标快速运动、遮挡、复杂背景等情况下跟踪精度低的问题,提出了一种自适应上下文感知的相关滤波目标跟踪算法。在相关滤波算法框架的基础上,重点针对循环移位带来的边界效应与固定学习率进行改进:首先,在分类器训练阶段提出一种基于响应图极值的自适应采样策略加入上下文信息;然后,采用了一种分段学习率调整策略使算法更好地适应目标变化;最后,在标准数据集上验证了算法的性能。实验结果表明,提出的算法提高了DCF与SAMF算法的跟踪精度,不仅在目标快速运动、遮挡、复杂背景等情况下鲁棒性较好,而且还能作为一种框架集成到大部分相关滤波类算法中。(本文来源于《电光与控制》期刊2019年05期）
上下文感知论文开题报告
（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：
面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的叁元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得叁元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。
（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。
上下文感知论文参考文献
[1].ALI,Waqar,邵杰,KHAN,Abdullah,Aman,TUMRANI,Saifullah.上下文感知推荐系统：挑战和机遇（英文）[J].电子科技大学学报.2019
[2].熊盛武,陈振东,段鹏飞,刘晓赟.基于可信向量的知识图谱上下文感知表示学习[J].武汉大学学报(理学版).2019
[3].司元.上下文感知相关滤波目标跟踪算法研究[D].湖南工业大学.2019
[4].刘源.基于特征距离和时间效应的上下文感知推荐技术研究[D].北京邮电大学.2019
[5].梅磊.基于注意力交互网络的上下文感知推荐系统研究[D].山东大学.2019
[6].刘波,许廷发,李相民,史国凯,黄博.自适应上下文感知相关滤波跟踪[J].中国光学.2019
[7].匡海丽,常亮,宾辰忠,古天龙.上下文感知旅游推荐系统研究综述[J].智能系统学报.2019
[8].郑操.基于上下文感知的汤普森采样推荐算法研究[J].现代计算机(专业版).2019
[9].谭翠媚,刘波.双约束上下文感知相关滤波跟踪算法[J].自动化与信息工程.2019
[10].何冉,陈自力,刘建军,高喜俊.自适应上下文感知相关滤波目标跟踪[J].电光与控制.2019