导读:本文包含了网络推荐论文开题报告文献综述及选题提纲参考文献，主要关键词:个性化推荐,深度神经网络,个性化融合,推荐查询
网络推荐论文文献综述
张敏军,华庆一,贾伟,陈锐,姬翔[1]（2019）在《基于深度神经网络的个性化推荐系统研究》一文中研究指出为了有效地提升海量文献信息检索过程中的用户个性化满足程度,该文设计了一个全新的个性化推荐系统.在这个系统中,核心算法是基于深度神经网络的个性化推荐方法.此方法构建的深度神经网络,包含了嵌入层、编码层、个性化特征融合层、解码层4个层次,从而准确地反应用户的个性化需求并完成查询推荐.以基于DNN网络的文献检索方法、基于Segnet网络的文献检索方法、基于Seq2Seq网络的文献检索方法为对比算法,针对计算机、通信、机械、电气、建筑、历史、政治、经济、数学、英语10类文献数据进行查询推荐实验,比较4种方法检索结果与用户需求的吻合程度.实验结果表明:该文提出的基于深度神经网络的检索方法,其检索结果的用户个性化需求吻合度高于其他3种方法近10个百分点,对于英语类文献检索结果的个性化需求吻合度,甚至达到了90.2%,这充分说明了该文提出的检索方法和构建的个性化推荐系统有效.(本文来源于《西南大学学报(自然科学版)》期刊2019年11期）
王茜,喻继军[2]（2019）在《基于商品购买关系网络的多样性推荐研究》一文中研究指出如何为消费者提供多样性商品推荐,已成为个性化推荐领域研究的热点。传统多样性推荐采用随机或评分逆序的方法选择多样性商品,存在无法为消费者准确推荐多样性商品的不足。针对于此,借鉴网络信息扩散的原理,将消费者购买记录二部图转换为商品购买关系网络,采用全邻域方法分析网络中商品节点的重要性;在此基础上,利用贝叶斯关联规则算法计算与推荐预测评分最高商品具有关联关系的关键节点,以此关键节点作为多样性商品推荐的依据,提出基于购买关系网络的多样性推荐方法。研究结果表明,与传统多样性推荐方法相比,新的推荐方法可为消费者更准确地推荐多样性商品的同时,该方法通过关键节点间的推荐级联关系所形成的商品推荐扩散效应,可有效提升长尾商品的推荐。(本文来源于《系统管理学报》期刊2019年06期）
马铁民,周福才,王爽[3]（2019）在《基于用户相似度的随机游走社交网络事件推荐算法》一文中研究指出针对基于社交网络的事件推荐覆盖性和准确性不够高的问题,提出了基于用户相似度Si-user Walker算法.该算法利用基于事件的社交网络特征,将线上用户群组数据抽象为图,以重启随机游走算法为基础,改变了传统的完全基于图的拓扑结构进行随机游走的策略.根据地理位置划分事件类型,提出了新的用户相似度计算方法,然后根据用户相似度矩阵作为随机游走的转移概率,既保留了图的传递性,又保证了图节点游走的真实性.与其他推荐算法在真实的数据集上实验表明,该算法在均方根误差、准确率及覆盖率上均得到提升.(本文来源于《东北大学学报(自然科学版)》期刊2019年11期）
周波[4]（2019）在《二分网络推荐算法与协同过滤算法的关系研究》一文中研究指出文中介绍了协同过滤算法与二分网络推荐算法的原理,分析了协同过滤算法与二分网络推荐算法之间的内在关系,推导出协同过滤算法是二分网络推荐算法的一种特例,并证明了基于二分网络推荐算法的推荐结果优于协同过滤算法。将基于二分网络的推荐算法理论进一步系统化、统一化,以推动推荐算法的进一步发展。(本文来源于《计算机科学》期刊2019年S2期）
邹锋[5]（2019）在《基于深度神经网络和改进相似性度量的推荐算法》一文中研究指出为了提高协同过滤推荐系统对于稀疏数据的推荐效果,提出一种基于深度神经网络和改进相似性度量的推荐算法。分析普通Jaccard相似性度量指标处理稀疏数据集的不足之处,对Jaccard相似性提出改进方案。设计交互的两个自编码器,一个自编码器利用显式反馈数据分析用户对于项目的偏好,其优化目标为最小化重建误差和正则成对排列损失;另一个自编码器利用隐式反馈数据分析用户对于项目的潜在偏好,其学习目标是采样数据集的负项集,利用隐式反馈数据增强显式反馈自编码器的学习效果。基于不同规模稀疏数据集的实验结果显示,该算法有效地增强了稀疏数据集的推荐准确率,实现了合理的推荐效率。(本文来源于《计算机应用与软件》期刊2019年11期）
徐敏,丁友东,陈方灵,李筱[6]（2019）在《基于联合神经网络的电影个性化推荐算法》一文中研究指出随着人工智能的发展,深度学习技术开始被广泛应用在个性化推荐业务上。本文在用户基本信息、电影元信息的基础上,融合点评文本、用户兴趣度的浏览行为、电影海报等多源信息,建立了一个基于联合神经网络的用户评分预测模型,并通过Adam优化方法拟合预测评分矩阵和真实评分矩阵,最后结合海报的相似度对候选推荐集中的电影做一个简单的分类,生成相似度最高的Top-N推荐列表。实验结果表明,该模型预测评分的准确率较ConvMF提高了0.06%,列表排序的平均准确率达到72%,推荐结果的平均综合指标达到0.85,用户满意度较高。(本文来源于《现代电影技术》期刊2019年11期）
曾苗[7]（2019）在《算法推荐给网络传播秩序治理带来的挑战和机遇》一文中研究指出近年来,我国已经进入了网络信息高速发展的时代,网络传播方式更加多元化、专业化和智能化,导致其传播秩序的治理需要面对极大的挑战和发展机遇。其中作为网络传播的方式之一,算法推荐虽然能够实现对用户的精准投放,解决了信息泛滥的困扰,但是也带来一定的问题,如一些企业为了博眼球、上热搜,传播低俗有害内容,这对于网络传播秩序的把控者是一个非常严峻的挑战。对此,本文首先对算法推荐进行介绍,分析算法推荐网络传播所面临的问题,并提出相应的治理对策。(本文来源于《传媒论坛》期刊2019年22期）
张新祥,李天鹏,孟鹏洋,贾明泽,葛敬云[8]（2019）在《基于Vanilla算法的网络视频推荐策略研究》一文中研究指出伴随移动互联网和通信技术的发展,人们对视频的需求日益凸显,互联网带来更多便捷的同时也带来了信息过载的问题.视频推荐系统的优点在于帮助视频网站挖掘用户的偏好信息,从人们精准信息获取的需求出发,以视频播放网站为研究对象,研究视频推荐算法的实现和视频推荐策略的生成,首先分析了已有视频推荐算法存在的问题,其次,借助Vanilla算法和专家排序的方法规避视频评分的个体差异性,再次,在最近邻用户选择的过程中,充分考虑社交网络中的情境信息,进而改善了推荐数据有效性和预测准确度的问题.最后,提取爱奇艺视频网站的实验数据,验证了推荐策略的科学性和有效性.(本文来源于《数学的实践与认识》期刊2019年21期）
王蓉,李小青,刘军兰,严晓梅,陈瑜[9]（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）
王坤宁[10]（2019）在《现实题材热 价值引领强》一文中研究指出本报讯 （王坤宁）10月23日，《中国新闻出版广电报》从“2019年北京市向读者推荐优秀网络文学原创作品”发布会上获悉，今年，北京共有10部作品入选国家新闻出版署和中国作家协会联合推介的“2018年优秀网络文学原创作品”名单，报送数量和推介数量均(本文来源于《中国新闻出版广电报》期刊2019-10-29）
网络推荐论文开题报告
（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：
如何为消费者提供多样性商品推荐,已成为个性化推荐领域研究的热点。传统多样性推荐采用随机或评分逆序的方法选择多样性商品,存在无法为消费者准确推荐多样性商品的不足。针对于此,借鉴网络信息扩散的原理,将消费者购买记录二部图转换为商品购买关系网络,采用全邻域方法分析网络中商品节点的重要性;在此基础上,利用贝叶斯关联规则算法计算与推荐预测评分最高商品具有关联关系的关键节点,以此关键节点作为多样性商品推荐的依据,提出基于购买关系网络的多样性推荐方法。研究结果表明,与传统多样性推荐方法相比,新的推荐方法可为消费者更准确地推荐多样性商品的同时,该方法通过关键节点间的推荐级联关系所形成的商品推荐扩散效应,可有效提升长尾商品的推荐。
（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。
网络推荐论文参考文献
[1].张敏军,华庆一,贾伟,陈锐,姬翔.基于深度神经网络的个性化推荐系统研究[J].西南大学学报(自然科学版).2019
[2].王茜,喻继军.基于商品购买关系网络的多样性推荐研究[J].系统管理学报.2019
[3].马铁民,周福才,王爽.基于用户相似度的随机游走社交网络事件推荐算法[J].东北大学学报(自然科学版).2019
[4].周波.二分网络推荐算法与协同过滤算法的关系研究[J].计算机科学.2019
[5].邹锋.基于深度神经网络和改进相似性度量的推荐算法[J].计算机应用与软件.2019
[6].徐敏,丁友东,陈方灵,李筱.基于联合神经网络的电影个性化推荐算法[J].现代电影技术.2019
[7].曾苗.算法推荐给网络传播秩序治理带来的挑战和机遇[J].传媒论坛.2019
[8].张新祥,李天鹏,孟鹏洋,贾明泽,葛敬云.基于Vanilla算法的网络视频推荐策略研究[J].数学的实践与认识.2019
[9].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
[10].王坤宁.现实题材热价值引领强[N].中国新闻出版广电报.2019