导读:本文包含了上下文感知系统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
上下文感知系统论文文献综述
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）
梅磊[2]（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）
匡海丽,常亮,宾辰忠,古天龙[3]（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）
AGBOR,JOSEPH[4]（2018）在《基于上下文感知交互的智能家居仿真系统》一文中研究指出目前,正在开发创新的信息和通信技术,以帮助改善日常生活的各个领域。在这些创新中,物联网(IOT)的发展,普适计算和无处不在计算都是值得关注的,因为它们可以无视终端用户的物理位置,为其提供控制和访问各种计算资源和信息的能力。智能家居的概念已经存在了十年,并经历了可喜的发展。上下文感知计算的发明是可以应用于各种设置的此类开发的一个好例子。从智能家居的角度来看,上下文感知信息有助于家庭根据手头的情况进行调整。例如,上下文感知智能家居可以通过上下文感知计算自动控制室温或环境灯。上下文感知计算长期以来一直是全球研究的核心领域。虽然上下文感知计算正在不同的平台进行测试,但一个特定的领域是开发上下文感知的智能家居系统。在这个领域中应用和使用上下文感知有望为家庭服务带来有希望的创新。然而,为了使上下文感知的智能家庭系统能够商业化,还有更多的研究空间。开发智能家庭系统对研究人员和工程师来说是一个挑战,因为这些系统的实施和评估过程成本高昂,同时非常耗时。在实际构建之前测试设计的智能家居系统被认为是实现高效智能家居项目的另一个障碍。这是因为各种传感器、家用电器和设备都可用于真正的智能环境。为了解决开发动态上下文感知智能家居系统的问题,本文提出了一种基于上下文感知的智能家居仿真器,适合于智能家居的仿真方面环境。该模拟器提供了一个设计的家庭计划,虚拟传感器和不同的设备作为虚拟家庭环境的模型。还可以定义场景以测试设备状态的各种可能的组合;因此可以简单地评估不同的标准和变量,而无需在实际环境中进行实验。本文旨在设计和实现基于OSGi框架的分布式智能家居环境感知模拟器,其中虚拟传感器创建上下文信息而不是使用物理传感器。XML配置文件用于保存用于构造家庭环境、虚拟设备和服务、模拟上下文信息和测试设备之间的OSGi事件交互的信息。针对当今时代的动态需求,本文开发了一种支持无处不在的技术并具有情境感知能力智能家居系统。交互是基于通过公用OSGi框架以分布式环境的形式连接在一起的实际设备触发的。实际操作上下文与模拟上下文进行比较,并根据一组规则确定智能家居内的交互。环境和管理功能(规则、事件和操作模式)通过一组可配置的XML文件进行配置,动态图形表示描述智能家居的当前状态。本文的主要成果如下:1.本文指出了以往设计的上下文感知模拟器的常见问题和局限性,并提出了一种更具伸缩性和动态性的面向服务架构(SOA)上下文感知模拟器。2.针对智能家居系统的开发和测试,提出了一种基于OSGi的分布式智能家居环境感知模拟器,解决了智能家居设计中存在的问题。OSGi旨在为智能家居系统应用程序的开发提供一个基于模块化和动态的Java系统规范。这种智能家居模拟已被开发为分布式环境。在共享网络的不同对象之间发送和接收数据。由于可以在智能家居中添加和删除设备,因此OSGi框架是最佳的选择。即使设备发生故障(如光故障),系统其余部分的工作也不会受到影响。一旦设备被修复,就可以将其添加回OSGi网络,并在系统中恢复其角色。3.在高度动态模拟器的设计方面,本文提出了一种基于OSGi的环境感知模拟器,用于分布式智能家居中解决该问题。Apache Felix iPOJO(注入的普通Java对象)基于Maven的方法被用于建立OSGi环境。iPOJO是专门为OSGi服务平台创建的面向服务的组件模型。iPOJO的目的是通过提供和使用服务、处理动态性问题来简化OSGi开发,并通过无缝地合并高级功能(包括组件配置、同步和组合)为基本的OSGi机制提供支持。模拟在真正智能家居的设计和开发阶段发挥了重要作用。模拟器直观地表示基于用户活动的智能家居不同设备之间发生的运行时交互。通过虚拟传感器,可以模拟真实环境,并且能够便捷的生成上下文感知逻辑。一旦系统意识到了上下文感知,虚拟设备就可以被真实设备所替代。如前所述,使智能家居系统分布式的解决方案是使用(OSGi)技术。使用OSGi框架来设计分布式智能家居是一个很好的研究领域。文中已经研究并实现了几种模拟器的设计,这些模拟器并不一定基于OSGI。本文类似于傅等学者(2011)所提出的观点。本文目的是为基于分布式OSGi的智能家居系统中的多个居民开发上下文感知逻辑。所开发的工具必须支持多种设备,并且应在不同的智能家居环境中安装。系统的不同组件是可配置的,例如设备、人员和环境,都是通过XML文件进行配置。这使得相同系统可以在任何类似的智能家居中应用,而无需更改任何已开发的组件。由于系统是基于OSGi的,所以它是一个分布式的智能家居系统。本文模拟了一个案例研究场景,并通过实验结果验证了基于OSGi的模拟器的工作原理。该模拟器有两种操作模式,即在Net Beans IDE(集成开发环境)上运行的模拟器模式和使用Apache Felix iPOJO(Maven数据库)开发的OSGi模式。(本文来源于《湖南师范大学》期刊2018-06-01）
魏琦[5]（2018）在《基于移动端上下文感知模型的新闻主题抽取算法研究及系统实现》一文中研究指出新闻推荐系统是推荐系统中的一个重要分支,目的是向用户以精准化、个性化的方式推荐新闻。目前的新闻推荐算法中,存在推荐条件单一、考虑的参考因素种类较少等缺点。本文通过分析用户的行为习惯,考虑使用时间上下文进行用户周期性分析,并对LDA算法进行改进以提高主题抽取精确度,然后将时间和周期因素加入新闻推荐算法中。最后基于改进的推荐算法,设计并开发了手机新闻推荐系统。本文的研究内容包括:(1)通过对DTW算法进行改进,设计一种加入自相关处理方式的ADTW算法。ADTW算法通过从相关序列数据中搜索重复出现的序列模式,发现其规律并找出周期模式。ADTW算法能够在未预先设定周期的情况下挖掘周期,解决时间序列中由于噪声项而产生的挖掘周期不准确问题。(2)由于LDA算法的最初设计是针对英文文本进行设计,在中文文本中使用LDA算法时会出现由于分词不精确而导致的歧义词入库等问题。因此在本文中决定通过引入改进边界熵的方式,提升LDA算法的主题词提取精度,并提升新主题词入库精确度。(3)现在多数新闻推荐算法,在时间因素的应用都是使用时间进行新闻热度的分析,以此决定新闻的推荐程度。但这样势必会降低有周期阅读习惯用户的推荐精确度。本文决定在以往的新闻推荐算法研究基础上,引入用户新闻阅读周期习惯这一参考因素,提升推荐精度。(4)针对本文提出的叁点改进方式,设计了一套基于时间上下文的新闻推荐系统。设计系统的总体框架,完成对各模块在功能上的设计,采用PHP技术实现了整个预测系统。在文章的每一个改进设计后,分别对本文提出的方式与现有的分析方式进行对比测试。通过测试结果,证明本文提出的方法可以确实提升推荐的准确度。(本文来源于《北京工业大学》期刊2018-05-01）
刘朋[6]（2017）在《基于主题模型的用户兴趣挖掘及上下文感知推荐系统算法研究》一文中研究指出互联网技术的发展使得数字信息资源开始呈现几何倍数的增长,反映在智能电视领域,则表现为每日海量视频数据的产生,用户互动行为的多样性,及随之而来的用户行为数量激增。随着国家"叁网融合"等战略的推进,与智能电视用户需求的不断扩大,如何处理并有效利用大规模数据已经成为该领域一个亟待解决的难题。由于大数据、搜索引擎、个性化推荐技术的蓬勃发展,这一问题已经受到重视,并逐渐衍生出一些解决方案。目前,个性化推荐系统已经得到了广泛的研究和应用,它能够帮助用户更好的挖掘自身兴趣,协助建立系统的用户画像,有助于维持用户对内容的关注程度,避免相关业务的用户流失。目前推荐系统主要的计算方法分为基于模型的构建和基于邻域的构建。基于模型构建的推荐系统能够准确地表达用户兴趣,在推荐效果上有突出表现,而基于邻域的构建相对来说更加简单易行,且具有良好的可解释性。如何能够有效地结合两种模型的长处共同构建推荐系统模型,是本文的一个研究重点。另外,在针对电视推荐系统的业务逻辑中,由于电视是共享终端,在不同时间上下文情况下表现出的用户兴趣会有较大差异,如何合理引入时间上下文相关概念建模以提升推荐效果,也是本文关注的重点。所以,在本文的研究工作中,我们首先提出一种基于短文本LDA主题模型的推荐算法。该算法是基于模型的推荐挖掘,将文本挖掘领域的潜语义模型应用到推荐系统中,用以准确构建用户的主题兴趣。该算法针对视频推荐系统中用户观看过的视频通常较少这一数据稀疏性问题,做了特殊处理,将原本LDA算法中对视频项进行建模,转变为直接对视频共现对进行建模并采样计算。这一处理极大地解决数据稀疏性问题,并能够有效地提升用户兴趣挖掘的准确度。故我们引入短文本的LDA主题模型,并将用户观看记录转化为低维空间中的两个矩阵,即用户兴趣矩阵(用户-主题),和视频从属度矩阵(主题-视频)。在准确获取到用户兴趣的基础上,为了解决电视共享终端的推荐问题,我们引入时间上下文信息并构建基于用户兴趣的协同过滤推荐算法。该算法首先是一个基于邻域的推荐算法,对具有类似兴趣的用户相互推荐视频,在构建用户兴趣的时候引入前过滤的上下文感知推荐策略,在构建视频共现对这一处理过程中,加入上下文环境约束,只对处于同一个时间上下文环境中的视频集合中的元素构建视频对。这一前过滤策略有效地引入时间上下文信息,能够有效区分不同时间段上的用户兴趣情况,避免将不相关的视频构建成为同一个视频共现对。另外,在召回推荐列表并最终排序的时候,再次引入后过滤的上下文感知推荐策略,为每一个视频在当下环境中是否值得被推荐进行加权,加权的依据则是该用户在当前上下文中的兴趣主题分布。该后过滤方法能够在用户兴趣的基础上针对请求推荐列表的时间上下文做进一步筛选,能够极大提高推荐效果。为了实验验证模型的推荐效果,我们使用国内知名电视推荐平台,海信电视云平台的真实数据集,提供多种对比推荐算法,并在多样的数据评测指标上进行评估。我们的方法在该数据集上取得了较高的召回率及MAP、MRR等指标,明显优于其他传统推荐算法及上下文推荐算法,进而证明了本文方法的有效性。(本文来源于《山东大学》期刊2017-06-30）
高全力[7]（2017）在《上下文感知推荐系统关键问题研究》一文中研究指出“大数据”时代给各种网络环境下的信息内容服务带来了新的机遇与挑战,一方面海量信息资源丰富了服务内容,提供了更全面的数据支撑;另一方面从海量数据中挖掘出满足不同用户需求的有价值资源将更加困难,并且由于海量数据的超高维、稀疏性、价值密度低等特点,加剧了“信息过载”问题对用户接受信息内容服务的影响。上下文感知推荐系统作为缓解上述问题的核心支撑技术之一,近年来在学术界与工业界受到了广泛关注与深入研究。但是在其支撑数据、推荐算法等核心部分的研究仍存不足,具体表现在支撑数据的不准确性、稀疏性影响了偏好模型的准确度,推荐算法对于用户决策的影响因素研究不足影响了推荐质量等。那么研究建立能够解决上述问题的上下文感知推荐系统,将能够有力的促进“大数据”环境下信息内容服务的发展,具有重要的研究意义与实际价值。本文针对上下文感知推荐系统的支撑数据、核心算法等提出了新的优化策略与实现方法,所解决的问题主要包括:如何修正用户历史偏好数据中的伪偏好行为;如何解决历史偏好数据的稀疏性问题;在此基础上,如何从多视图角度建立用户的偏好模型;如何进一步的将用户认知行为融入偏好模型的建立过程;如何引入群集认知行为优化偏好模型等。具体的解决方案如下:(1)针对用户历史偏好行为中存在的不符合其偏好模型的行为记录,影响偏好获取准确率的问题,提出了一种基于决策欺骗自适应修正模型的上下文感知偏好获取方法。该方法首先采用同类中心点距离分离出用户历史行为中的伪偏好行为,将上下文行为波动与上下文偏好波动进行交叉验证,并结合模糊隶属函数将伪偏好行为关联至模糊决策欺骗类,最后分别引入不同的行为补偿策略,以逐步提取更为精确的用户偏好。实验结果表明,所提出方法优于经典的协同过滤算法及上下文感知推荐算法,说明其能够有效的缓解伪偏好行为对于推荐质量的影响。(2)针对现有情景推荐系统所采用的行为相似度度量方法,受数据稀疏性的影响难以获取用户真正的偏好最近邻问题,提出了一种结合基准相似空间分布优化的用户偏好获取方法。首先通过偏好行为度量策略获取用户间初始的偏好行为近似程度,根据近似程度的分布特征获取偏好中心点,并基于偏好行为近似程度距偏好中心点的行为距离获取平均相似幅度,进而生成基准相似空间,通过建立基于平均近邻与异常评分交互影响的修正模型,优化基准相似空间并生成推荐结果。仿真实验结果表明,相比于现有方法,能够在大规模稀疏数据集上获取到更加准确的最近邻用户,并显着的提高了推荐准确度,验证了所提出方法能够有效的缓解数据稀疏性问题。(3)针对现有的情景推荐方法仅从单视图角度为用户生成推荐服务所导致的推荐精度低、适用性差等问题,提出了一种基于多视图相似关系融合的上下文感知推荐方法,首先基于直接相似性与间接相似性获取用户与用户间的相似关系,再利用概念相似性算法获取用户与项目间的相似关系,然后基于线性判别分析对上述两种视图数据进行特征融合,通过投影变换并引入线性判别准则,获取具有最大类间离散度,最小类内离散度的投影方向,也即是具有最优推荐效果的投影方向。实验结果表明,相比于现有方法,能够更加准确的挖掘用户偏好间的关联关系,进一步提高了推荐质量。(4)为挖掘在各类型上下文环境中的认知行为与用户偏好间的内在联系,提出了一种基于用户认知行为的上下文感知偏好获取方法。在多维上下文环境下,将认知水平、认知风险、有效认知行为等认知概念引入偏好获取过程,并分别给出其概念定义及计算方法,通过建立多种认知因素交互影响的偏好获取模型,分别提取在单维与多维上下文环境下的用户偏好。在大规模真实数据集上的实验结果表明,偏好获取质量优于基于行为的上下文感知推荐方法,说明该方法能够有效的挖掘用户认知行为与其偏好间的关联关系,同时也验证了从认知层面建立用户偏好模型的可行性与有效性。(5)为挖掘在社会化网络环境下用户认知心理与其偏好行为间的内在联系,受分布式认知模型及多视图学习理论启发,提出了一种基于多视图群集认知优化的上下文感知推荐方法,基于社交关系网络与个体认知行为,从社会化认知的角度获取用户认知行为间的关联关系,建立了包含认知依赖、认知风险、群集认知等因素的认知关系网络模型,并从用户属性、认知关系、项目认知价值等视图出发,通过特征融合、投影变换并引入Fisher判别准则,建立基于多视图优化的偏好获取模型。在大规模真实数据集上的实验结果显示,相比于现有方法推荐准确率平均提升了 20.19%,多样性提高近44.89%。在验证所提出方法有效性的同时,也说明了用户的认知行为会受到相关用户群组的影响,并且基于真实社交环境的群集认知模型,相比于仅从用户层面度量其认知行为,能够更加准确的反映出用户的认知状态。(本文来源于《西北大学》期刊2017-06-01）
高洁[8]（2017）在《上下文感知的交互式电子导游系统的设计与实现》一文中研究指出随着国民经济的提高,越来越多的人开始通过旅游来作为休闲娱乐的方式。然而在旅游业快速发展的同时,景区导游服务质量的提升成为了旅游业的发展瓶颈。本文针对该问题,提出了一种基于上下文感知的交互式电子导游系统。该系统可以提升景区的导游服务和吸引力,并能增强游客在游览时的自主性,具体工作如下:首先,本文详细研究了目前电子导游器的研究背景和现状,以及现有电子导游的优缺点,根据现有研究的不足从而确定了研究交互式的上下文感知的智能导游系统的必要性,最终确定了本文的研究内容:开发一种基于上下文感知的交互式的电子导游系统。接着,由于上下文感知技术是本文研究的重点,因此本文首先给出了上下文和感知技术的定义和研究现状,并提出了本文中的重要技术:基于上下文感知的旅游推送技术。随后,本文从功能的角度出发明确了本文提出的上下文感知的交互式电子导游的具体功能,并给出相应的需求分析,接着给出了本文的重要部分即上下文感知技术的概要设计。其次,本文分别从系统模块出发,给出了本系统的各模块的详细实现方式和过程。这些模块分别包括:用户行为识别模块、位置服务模块、上下文感知模块、网络模块、应用调度模块、数据存储模块和信息展示模块。最后本文分别从基于上下文感知的旅游推送功能和互动功能给出了系统的功能测试。经测试,本文提出的电子导游系统可以为游客提供交互式的旅游体验,并能根据游客的上下文信息为游客提供个性化的导游服务。(本文来源于《江西农业大学》期刊2017-06-01）
黄豆豆[9]（2017）在《基于二部图网络结构并融合上下文感知信息的推荐系统研究与实现》一文中研究指出由于网络的飞速发展,越来越多的国内外学者开始研究个性化推荐系统。推荐系统的重要组成部分即是推荐算法,当前,已经提出多种推荐算法,如基于内容、基于协同过滤及基于二部图网络结构的推荐算法等。其中二部图网络结构推荐算法与物品的类型没有关系,主要依据用户与物品的选择与否来进行推荐,而且命中率较高,因此越来越受到广泛应用。然而,现有的推荐算法仍然存在某些问题,本文针对这些问题进行深入研究并做出以下改进:.首先,本文针对传统的二部图网络结构推荐算法对二部图边的权值计算做了改进,提出一种加权的方法,将权值设为用户对物品的等级评分值。与原算法相比,加权后的推荐算法将用户的显式评分值融入到了二部图的资源分配过程中,使用户评分较高的物品优先被推荐。其次,针对用户和物品组成的网络结构会随着网络上用户与物品数量的增长越来越复杂,导致算法的运行时效性差这一问题,本文引进了用户最近邻概念。算法首先利用余弦相似度与修正的余弦相似度两种方法计算出目标用户的前N个最近邻,挖掘他们的兴趣从而分析目标用户的喜好。在实际应用中,推荐系统应该依据用户当前的需求生成有差异的推荐列表展示给用户,所以上下文感知信息开始引起许多学者的重视,如今上下文感知信息已经成功应用于多个领域。由于本文提出的推荐算法只能按照用户过去的行为给用户推荐物品,不能代表这一时刻用户想要的物品,因此将用户心情的上下文感知信息加入到推荐算法中,根据当前用户的心情为用户推荐符合的物品。最后,通过实验对比,验证了对二部图边加权、加入余弦相似度与修正的余弦相似度并融入上下文信息后,改进的各算法均能使推荐系统的准确率、召回率和F值有显着提高,也说明了本课题的研究意义和实用价值。由于数据集规模的不断增大,传统推荐算法在单机运算模式下基本无法适应对其的处理,针对这个问题本文提出了基于Hadoop平台的并行计算模式,并在Hadoop平台上开发了一个WEB应用,展示了运用推荐算法的实验结果形成的可视化页面,同时也验证了推荐算法的可行性。(本文来源于《中北大学》期刊2017-04-10）
叶露瑶[10]（2017）在《移动上下文感知推荐系统应用研究》一文中研究指出推荐系统是解决信息过载的有效手段,传统的推荐系统利用的是用户-项目二元关系进行推荐,而忽略了用户所处的上下文信息对用户决策的影响。上下文推荐系统(CARS)是近年来推荐系统领域发展的热门方向,它通过将用户所处的上下文信息运用到推荐中,使得推荐准确度得到了提升。随着移动设备的普及,移动设备为用户带来丰富多彩信息的同时,也让用户面临严重的移动信息过载问题,并且用户在移动设备上做决策时受到上下文的影响更明显。研究表明,合理利用上下文信息可以更好地提高推荐系统的准确性,但是也将上下文引入推荐系统也会带来一系列挑战,在增加了数据集的维度以外还增加了数据的稀疏性,此外,移动上下文信息选择和处理也是移动推荐系统需要关注的问题。本文针对移动上下文感知推荐系统的一些关键问题进行研究,首先针对上下文选择问题,提出一种基于上下文评分相对标准偏差的上下文选择算法,并用一种加入了偏置项的上下文矩阵分解算法CAMFB(Context-Aware Matrix Factorization with Bias)来验证本文提出的上下文选择算法的有效性;然后针对引入上下文后提升了数据维度以及增加数据稀疏性的问题,提出一种基于上下文权重的高阶奇异值分解推荐算法WCATF(Weight-based Context-Aware Tensor Factorization)。最后,通过在真实的数据集LDOS-CoMoDa以及半模拟的MovieLens数据集上与其他推荐算法进行对比,验证了本文提出的算法的有效性。(本文来源于《华南理工大学》期刊2017-03-27）
上下文感知系统论文开题报告
（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：
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。
（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。
上下文感知系统论文参考文献
[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].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
[3].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
[4].AGBOR,JOSEPH.基于上下文感知交互的智能家居仿真系统[D].湖南师范大学.2018
[5].魏琦.基于移动端上下文感知模型的新闻主题抽取算法研究及系统实现[D].北京工业大学.2018
[6].刘朋.基于主题模型的用户兴趣挖掘及上下文感知推荐系统算法研究[D].山东大学.2017
[7].高全力.上下文感知推荐系统关键问题研究[D].西北大学.2017
[8].高洁.上下文感知的交互式电子导游系统的设计与实现[D].江西农业大学.2017
[9].黄豆豆.基于二部图网络结构并融合上下文感知信息的推荐系统研究与实现[D].中北大学.2017
[10].叶露瑶.移动上下文感知推荐系统应用研究[D].华南理工大学.2017