导读:本文包含了用户上下文论文开题报告文献综述及选题提纲参考文献，主要关键词:移动众包,上下文,轨迹预测,任务分配
用户上下文论文文献综述
姜芸[1]（2019）在《基于用户上下文轨迹预测的移动众包任务分配方法研究》一文中研究指出近年来,计算机和通信技术飞速发展,5G也日趋成熟,促使着智能设备的迅速普及,各式各样的移动众包平台进入大众视野,例如滴滴打车、美团外卖、Foursquare等,涵盖了众多应用领域。相比于AMT、Wikipedia等早期的传统众包平台,移动众包应用的任务特征和工人行为更加复杂并具有动态性。对于任务请求方在众包平台所发布的任务,众包工人“自由”、“自愿”地选择接受或拒绝任务是众包应用场景的一个基本特征,因此有效的任务分配策略是决定任务能否成功地被所需数量的工人接受并完成的关键因素。在移动众包应用中,任务的时效性、任务位置动态分布、工人移动轨迹不确定性等复杂多变的时空因素,以及工人的兴趣爱好多样性等个性化因素,都为移动众包任务分配这一核心问题提出了挑战。本文针对移动众包动态场景以及工人自愿接受任务的原则,构建基于用户轨迹预测的移动众包任务分配模型,其主要包括移动用户轨迹预测算法和任务分配算法。主要工作如下:1.提出移动用户上下文相关的轨迹预测算法。本文通过对工人历史轨迹数据进行挖掘,分析出工人上下文相关的移动模式,并构建工人上下文相关的移动规则:最后根据移动规则对工人将要到达的位置区域进行预测,为接下来的移动众包任务分配提供基础。2.基于移动用户轨迹预测方法所得的工人下一步到达的区域,本文提出若干种将区域内的任务分配给到达这个区域工人的算法,分别是基于任务数量最大的任务分配,旨在使分配出去的任务数量尽可能的最大化;基于工人质量最优的任务分配,目的是使得分配出去的任务收集回来的答案准确率尽可能的高;基于成本最优的任务分配,该方法既保证收集回来的任务答案质量较高,也能确保工人的距离成本不会太大。3.本文选择了社交网站Gowalla收集的时空数据和移动众包实验平台收集的真实任务分配数据作为实验数据集,分别对提出的移动用户轨迹预测算法和任务分配算法进行了对比实验和验证。结果表明,本文提出的模型算法有较好的准确性和分配结果。基于用户上下文轨迹预测的移动众包任务分配方法,通过预测移动用户的轨迹位置,移动众包平台可以将时空任务分配给最有可能去执行该任务的工人,提高工人接受任务并完成任务的概率,最终提高时空任务分配的成功率。最后本文选择了真实世界的数据作为实验数据集,对提出的基于移动用户轨迹预测的任务分配模型进行了对比实验和验证,实验结果表明,本文提出的算法都有较好的运行效果和效率。(本文来源于《山东大学》期刊2019-05-20）
逄娇娜[2]（2019）在《融合用户上下文和时序信息的协同过滤推荐算法》一文中研究指出推荐系统能够快速地为用户推荐感兴趣的内容,这一功能的实现得益于众多成熟的算法。其中,协同过滤算法是目前应用最为普遍的技术,相似性的度量又是影响其性能的关键因素之一。现有的相似性度量方法大多建立在挖掘用户-项目评分数据的基础上,而用户的属性、上下文和历史行为等信息并没有得到充分利用。实际上,这些信息对用户的喜好起着不可忽视的作用。在计算用户之间的相似性时,考虑更多影响用户偏好的因素,能够提高度量的精确性,从而提升推荐质量。本文主要贡献如下:(1)首先,本文介绍了一种基于用户评分差值的相似性度量方法。该方法对评分差值设置不同的权重参数来计算相似性。当数据较为稀疏时,这种方法的准确性较低。于是,在此基础上,提出了融合用户上下文信息的相似性度量方法。将上下文信息加入到相似性度量公式中,增加了相似度计算的特征维度。该方法在提高了推荐系统性能的同时,也一定程度上缓解了推荐系统中数据稀疏的问题。(2)其次,本文在融合用户上下文信息的相似性度量方法的基础上进一步优化,提出了融合用户上下文信息和时序信息的相似性度量方法。引入时序信息是为了建立用户前后行为之间的关联,学习用户喜好的变化情况,增加模型的特征维度。构造时序特征时,首先将用户的历史行为信息表示成二进制编码形式的特征矩阵,然后利用受限玻尔兹曼机将稀疏的特征矩阵映射成稠密的特征向量,既达到了降维的效果,又间接地学习了用户与项目交互行为的时序关系。(3)最后,改进的相似性度量公式中存在较多的特征权重,本文利用启发式算法——快速非支配排序遗传算法自主学习这些参数,将准确率和覆盖率同时作为目标函数,旨在提高推荐系统性能的同时,解决长尾物品得不到推荐的问题。本文分别在Movielens 1M数据集和Netflix数据集上进行了实验。首先,将受限玻尔兹曼机与其他的降维方法进行比较,验证受限玻尔兹曼机降维的优势;其次,将本文所提算法分别与传统的相似性度量方法做对比,验证本文算法的有效性;最后,通过比较本文所提的叁种算法,验证加入用户上下文信息和时序信息的相似性度量方法具有更高的准确率、覆盖率和推荐质量。(本文来源于《华东师范大学》期刊2019-05-05）
温宇俊,袁晖[3]（2018）在《基于用户上下文序列的个性化新闻推荐方法研究》一文中研究指出面对互联网上丰富的新闻时,用户更希望阅读到自己感兴趣的那一部分新闻内容,避免太多资讯带来的信息过载问题,所以比搜索引擎等更加智能的个性化推荐技术成了新闻受众目前最迫切的需求之一。新闻推荐往往基于用户阅读记录实现,而当用户的阅读记录过少时,通常采用了流行度等简单方法实现,这类做法通常忽略了用户阅读的新闻序列之间其实还是有一定的关联,本文针对用户阅读过程中冷启动问题,从用户上下文序列的角度探讨其在新闻推荐中的影响。(本文来源于《中国传媒大学学报(自然科学版)》期刊2018年04期）
陈巧云[4]（2018）在《社交媒体中基于上下文感知的用户情感分析》一文中研究指出近年来,社交媒体已经成为人们交流信息、表达自身观点情感的重要途径,而随着移动互联网的发展和智能手机的普及,用户在社交媒体中发布的推文通常包含多种模态数据(例如同时包含文本和图片),在多模态数据中,每个模态都为其他的模态提供了信息补充,即模态之间存在关联性。然而,传统的情感分析主要基于单模态数据进行(例如只考虑文本或只考虑图片),少数的多模态情感分析研究则关注不同模态的融合,却忽略了上下文信息的影响。但用户发布的推文通常长度较短且缺乏明显的情感词,而上下文信息可以对推文的环境特征进行描述,能够有效补充推文信息,对于提高用户情感分析的效果具有重要的作用。针对已有研究的不足,本文从社交媒体中推文发布者的角度出发,考虑推文中不同模态数据在情感语义上的关联性以及推文的上下文信息对于用户情感分析的辅助作用,提出基于上下文的用户情感分析模型,以推测用户在发布推文时的情感分布。论文的具体工作包括:首先,本文从真实社交媒体数据出发,设计合理的策略过滤并选取有效的数据集,并对数据集的缺失信息进行补充抓取。在此基础上,针对推文文本,为了解决其规范性较差的问题,对用户推文中的文本内容进行预处理操作。而针对推文图片,从心理学角度出发,提取推文图片中与情感因素相关的底层视觉特征,并利用视觉词袋模型将图片底层视觉特征量化为视觉词项。其次,提出基于上下文的用户情感分析主题模型。该模型将情感信息看作是蕴含在推文中的隐含变量,通过约束推文的整体情感分布和主题,建立不同模态数据之间的情感语义关联,并从推文时间邻域信息、评论信息这两类上下文出发,显式建模两者与用户当前情感的相关性。在此基础上,对模型中的变量采样规则和参数更新规则进行推导,进而提出用户情感分析模型参数估计的采样算法。最后,为验证本文提出的模型与算法的效果,本文在真实的社交媒体数据集上对本文提出的模型进行实验验证,通过对实验结果的对比与分析,可以得出以下结论:本文提出的基于上下文的用户情感分析模型能够更有效地分析多模态推文情感,所利用的两种上下文信息对于推文情感分析的正确率等评价指标的提升发挥了重要作用,从而证明了本文提出的模型算法的合理性和有效性。社交媒体用户情感分析的研究是理解用户个体行为的关键,也是揭示用户行为规律的基础,其研究具有重要的现实应用价值,能够为网络口碑营销、心理健康医疗、股票市场分析等诸多领域提供可靠的理论依据。(本文来源于《东南大学》期刊2018-06-18）
张义龙[5]（2018）在《基于用户上下文和项目近邻的协同过滤推荐算法》一文中研究指出互联网技术的蓬勃发展导致信息过载,使得公众难以辨别琳琅满目的商品和选择最符合自己需要的商品。因此,基于信息检索的个性化推荐系统应运而生,协同过滤技术是应用最广泛的、最成功的推荐技术之一,但也面临着数据稀疏性、冷启动等问题的严峻挑战,同时传统的协同过滤算法在相似度计算中往往忽视了用户个人的上下文信息对项目相似度的影响。针对以上问题,本文通过融入了项目近邻信息对约束概率矩阵分解算法进行改进,并结合用户上下文信息和用户动态预测评定方法,提出一种基于用户上下文和项目近邻的协同过滤推荐算法。首先,将项目标签划分为基于内容和基于情感两类,通过计算这两类标签的权重,来确定每个项目的内容和情感向量,并计算出项目的邻居集,融入到约束概率矩阵分解算法中;其次,根据用户上下文信息以及用户对项目的情感设定,选择出近邻用户及其相关项目;最后,采用动态预测填充的方法来解决个性化推荐中的数据稀疏性问题。在Movie Lens-1M数据集上,通过实验分别与余弦相似度、皮尔森相似度和用户上下文算法的MAE值、Pu值进行比较。测试结果表明:该算法能够缓解评分稀疏性对算法的影响并更有效的预测用户对项目的评分,显着降低平均绝对误差,提高推荐准确率。(本文来源于《中国矿业大学》期刊2018-06-15）
徐彩旭[6]（2018）在《基于时空上下文共现的用户关系强度预测》一文中研究指出目前,基于时空数据的用户关系强度预测成为了众多学者研究的热点。前人研究工作主要集中在上下文感知预测或者时空共现预测,并且没有考虑时间上下文信息。本文提出转化的思想从多视角巧妙地将时空上下文和时空共现进行融合,并进一步提升预测精度。本文所做的工作分为叁个方面:第一,基于不同的时空视角,提出多视角时空上下文共现的预测方法;第二,提出了基于视角融合的预测方法;第叁,给出用户关系强度预测的应用解决方案。本文使用SNAP开源数据集Brightkite和Gowalla作为实验,在这个数据集上再进一步切分成训练集、验证集和测试集。本文主要贡献包括以下叁点:(1)本文的提出的多视角上下文共现方法巧妙地将时空数据中用户间的关系转化为自然语言处理领域(Natural Language Processing)中同义单词的关系,从而巧妙实现时空上下文和时空共现的融合,并且本文方法还考虑时间上下文信息。该方法首先从多视角生成时空上下文序列。然后利用NLP领域中的工具分别基于多视角提取用户上下文共现特征,该特征表征用户的签到时间的共现、空间的共现、时间上下文和空间的上下文信息。最后利用机器学习技术基于多视角分别进行关系强度预测。实验表明,本文多视角方法中最好的Day-Location视角比EBM算法在Brightkite数据集在相同的Precision下Recall要最高提高10%,在Gowalla数据集上最高提高8%。(2)根据特征级的特点,本文提出时空上下文共现特征融合的方法(Feature Fusion)。FF方法基于其中两个视角特征所表征信息的互补性,将这两组特征进行融合,再结合机器学习技术进行关系强度的训练与预测。同时,本文也给出了基于多视角决策融合的方法(Decision Fusion)。实验表明,FF方法相比本文提出的最好的Day-Location视角在Brightkite数据集上AUC指标提升3.6%,在Gowalla数据集上提升4.3%。FF方法相比DF方法在Brightkite数据集上AUC提升1.4%,在Gowalla数据集上提升1.6%。并且FF方法比目前最好的方法SCI在Brightkite数据集上AUC提升6.1%,在Gowalla数据集上提升2.4%。(3)本文提出一种社交网络关系强度预测的应用框架。该框架包括以下几个模块:数据的存储与管理模块包含数据结构化、数据的存储和数据可视化这叁个子模块;数据建模模块主要将两种融合方法FF和DF方法模块化;模型评估模块进行预测方法性能的全方位评估,同时给出LIFT曲线、ROC曲线和PR曲线,并输出关系强度最强的用户对。(本文来源于《苏州大学》期刊2018-05-01）
徐协峰[7]（2018）在《基于用户行为上下文信息的兴趣点推荐研究》一文中研究指出近些年随着移动互联网的快速发展,越来越多的人被吸引到社交网络中来。同时,GPS技术(全球定位系统)的逐渐成熟也使得基于位置的社交网络得到迅猛发展,Foursquare、Gowalla、大众点评等基于位置的社交网络服务成为人们出行必不可少的工具,给人们的生活带来了极大的便利。这些基于位置的服务允许用户探索兴趣点并通过对兴趣点的签到分享其地理位置和访问经验。兴趣点推荐对于用户和商家都能产生巨大的价值。兴趣点推荐不同于传统推荐,主要表现在两方面:一是用户行为数据变得更加稀疏;二是地理因素、社交因素等上下文信息对推荐结果有很大影响。因此,本文针对这两方面对兴趣点推荐做了相关优化,一方面融入评论文本、视觉特征等有助于进一步挖掘用户兴趣的内容信息来缓解用户行为数据的过于稀疏给协同过滤带来的不利影响;另一方面把地理因素、社交因素等上下文信息融入兴趣点推荐以得到更准确的推荐结果。本文的主要研究工作如下:(1)分析当前兴趣点推荐的背景意义以及国内外的研究现状,探讨兴趣点推荐发展趋势,为后续研究工作提供坚实的理论支撑。(2)分析地理信息、社交关系和用户评论对推荐效果的影响。本文在原有Geo MF模型基础上,结合评论文本和社交关系来提升模型的推荐效果。(3)在旅游场景下,研究用户的行为模式,挖掘用户对兴趣点的访问持续时间和用户生成照片的视觉特征对用户兴趣的影响,为用户推荐其感兴趣访问的兴趣点,并在旅行行程约束下推荐给用户由有序兴趣点集合构成的旅游路线。最后,本文在真实数据集上进行了多次实验。跟目前先进方法相比,本文方法在多个评价标准下均有相对优势的表现,进而验证了本文方法的有效性和可靠性。(本文来源于《苏州大学》期刊2018-05-01）
黄国豪[8]（2018）在《基于用户中心点访问上下文的边缘缓存应用研究》一文中研究指出移动用户激增和流媒体业务兴起造成了回程链路带宽的巨大消耗,新型5G结合移动边缘计算(Mobile Edge Computing,MEC)架构将内容投递移动到网络边缘,做到请求本地产生本地消费,能有效减少回程链路消耗。另一方面,由于边缘缓存容量的限制,高效智能的边缘缓存策略也成为了该领域的研究热点。边缘缓存的一个特点在于内容请求受用户时空移动性的影响,同时内容的时域局部性也造成了边缘侧内容请求的多样性,因此学习用户时空上下文和探索内容请求多样性能潜在提高边缘缓存策略缓存效率。本文研究内容如下:1.针对边缘侧内容请求受用户时空移动性的影响和多样性的特点,本文采用上下文多臂问题对边缘缓存问题进行建模。由于内容流行度的时变性和求解目标的NP难特性,本文提出基于用户中心点访问上下文的在线边缘缓存策略(Online Edge Caching Strategy based on User Central Point Access Context,OCUC),并详细阐述了 OCUC的叁个主要模块:用户特征构造模块、群体上下文构造模块和结合上下文的在线探索模块。2.利用边缘侧用户访问时空特性存在的中心点效应,本文提出用户中心点特征转换算法,将传统的用户时空特征转换成用户中心点特征,并利用距离相关系数(Distance Correlation,DC)分析用户中心点特征的有效性。结果表明,用户中心点特征与用户访问兴趣具有更高的相关性。3.内容缓存受用户群体兴趣偏好影响,针对用户群体中用户个数不定和群体上下文有效性评价的问题,本文结合用户特征,提出基于卷积神经网络的群体偏好上下文构建方法(CNN for Group Preference Context,GCNN),并进一步通过实验分析了网络超参数对网络输出的影响。4.考虑到真实场景中上下文空间为连续空间和内容空间大造成的过量探索问题,本文结合多臂算法提出上下文缩放缓存算法,对受欢迎的上下文区域进行缩放,从而维护更细粒度的上下文与内容偏好关系。5.基于真实的中国移动用户记录数据集,本文从缓存击中率、算法稳定性和运行效率3个方面对不同的边缘缓存更新算法进行对比。结果表明,OCUC在缓存击中率和算法稳定性上均优于所有的对比算法;在运行耗时上,OCUC略多于MPC算法,所以实际应用中不会造成系统过载。本文提出的OCUC策略能有效学习用户时空上下文与内容偏好关系,实现基站间经验共享,从而有效减轻回程链路带宽消耗。本文研究工作不仅对用户时空上下文相关的边缘缓存策略设计具有参考意义,也具有一定的应用价值。(本文来源于《武汉大学》期刊2018-05-01）
文俊浩,孙光辉,李顺[9]（2018）在《基于用户聚类和移动上下文的矩阵分解推荐算法研究》一文中研究指出随着移动互联网技术的快速发展,越来越多的用户通过移动设备获取移动信息和服务,导致信息过载问题日益凸出。针对目前上下文感知推荐算法中存在的数据稀疏性差、上下文信息融入不够、用户相似性度量被忽略等问题,提出一种基于用户聚类和移动上下文的矩阵分解推荐算法。该算法通过利用k-means对用户聚类找到偏好相似的用户簇,求出每簇中并对用户所处上下文之间的相似度并对其进行排序,由此找出与目标用户偏好和上下文均相似的用户集合,借助该集合改进传统矩阵分解模型损失函数,并以此为基准进行评分预测和推荐。仿真实验结果表明,所提算法可有效提高预测评分的准确度。(本文来源于《计算机科学》期刊2018年04期）
李唯果[10]（2018）在《基于上下文信息和用户行为的推荐方法研究》一文中研究指出随着移动互联网的快速发展,信息生产者和信息消费者所面对的信息过载问题越来越严重。推荐系统的产生在一定程度上缓解了这个问题,使得人们可以从海量信息中更加准确、及时的发现感兴趣的信息内容,因此在社交平台、电子商务等众多领域中得到了广泛的应用。随着推荐系统用户数量的增长、社交关系复杂化以及内容多样化等诸多问题,使得传统的推荐算法不能有效的满足用户的需求。因此,进一步研究推荐算法对提高推荐系统的推荐质量具有重要的研究意义。综上所述,本论文通过深入研究当前推荐算法存在的优点和不足,提出基于社交网络和兴趣主题的好友推荐方法和基于社交上下文和张量分解的评分预测方法,主要的工作内容如下:1.本论文设计一种基于社交网络和用户兴趣的好友推荐方法。首先,根据社交关系和历史评分行为,分别计算用户共同好友比例和用户共同行为比例,并在此基础上构建用户关系相似度模型。其次,根据用户标签数据,利用TF-IDF在文本信息挖掘的特性,构建基于TF-IDF的用户兴趣相似度模型。最后,通过对上述产生的两种相似度赋予不同的权值,进一步得到综合社交和兴趣主题的用户相似度,并对综合相似度排序生成目标用户的相似好友推荐列表。2.本论文设计一种基于社交上下文信息和张量分解的评分预测方法。首先,考虑到社交网络中用户兴趣的传播效应,在云模型及隶属度等相关理论的基础上,分别利用用户的显性属性和用户的隐性属性建立好友评分预测模型和相似好友评分预测模型,并基于高斯变换融合两部分预测结果生成预测评分;其次,考虑到上下文信息对评分预测结果的影响和张量分解在数据维度转换和数据压缩的特性,通过构建“用户-项目-上下文”张量分解模型迭代预测缺失值;最后,对上述两部分预测值进行加权融合,生成最终的评分预测结果。最后,本论文通过获取真实的豆瓣数据,对所设计的好友推荐方法和评分预测方法进行验证。(本文来源于《重庆邮电大学》期刊2018-03-26）
用户上下文论文开题报告
（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：
推荐系统能够快速地为用户推荐感兴趣的内容,这一功能的实现得益于众多成熟的算法。其中,协同过滤算法是目前应用最为普遍的技术,相似性的度量又是影响其性能的关键因素之一。现有的相似性度量方法大多建立在挖掘用户-项目评分数据的基础上,而用户的属性、上下文和历史行为等信息并没有得到充分利用。实际上,这些信息对用户的喜好起着不可忽视的作用。在计算用户之间的相似性时,考虑更多影响用户偏好的因素,能够提高度量的精确性,从而提升推荐质量。本文主要贡献如下:(1)首先,本文介绍了一种基于用户评分差值的相似性度量方法。该方法对评分差值设置不同的权重参数来计算相似性。当数据较为稀疏时,这种方法的准确性较低。于是,在此基础上,提出了融合用户上下文信息的相似性度量方法。将上下文信息加入到相似性度量公式中,增加了相似度计算的特征维度。该方法在提高了推荐系统性能的同时,也一定程度上缓解了推荐系统中数据稀疏的问题。(2)其次,本文在融合用户上下文信息的相似性度量方法的基础上进一步优化,提出了融合用户上下文信息和时序信息的相似性度量方法。引入时序信息是为了建立用户前后行为之间的关联,学习用户喜好的变化情况,增加模型的特征维度。构造时序特征时,首先将用户的历史行为信息表示成二进制编码形式的特征矩阵,然后利用受限玻尔兹曼机将稀疏的特征矩阵映射成稠密的特征向量,既达到了降维的效果,又间接地学习了用户与项目交互行为的时序关系。(3)最后,改进的相似性度量公式中存在较多的特征权重,本文利用启发式算法——快速非支配排序遗传算法自主学习这些参数,将准确率和覆盖率同时作为目标函数,旨在提高推荐系统性能的同时,解决长尾物品得不到推荐的问题。本文分别在Movielens 1M数据集和Netflix数据集上进行了实验。首先,将受限玻尔兹曼机与其他的降维方法进行比较,验证受限玻尔兹曼机降维的优势;其次,将本文所提算法分别与传统的相似性度量方法做对比,验证本文算法的有效性;最后,通过比较本文所提的叁种算法,验证加入用户上下文信息和时序信息的相似性度量方法具有更高的准确率、覆盖率和推荐质量。
（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。
用户上下文论文参考文献
[1].姜芸.基于用户上下文轨迹预测的移动众包任务分配方法研究[D].山东大学.2019
[2].逄娇娜.融合用户上下文和时序信息的协同过滤推荐算法[D].华东师范大学.2019
[3].温宇俊,袁晖.基于用户上下文序列的个性化新闻推荐方法研究[J].中国传媒大学学报(自然科学版).2018
[4].陈巧云.社交媒体中基于上下文感知的用户情感分析[D].东南大学.2018
[5].张义龙.基于用户上下文和项目近邻的协同过滤推荐算法[D].中国矿业大学.2018
[6].徐彩旭.基于时空上下文共现的用户关系强度预测[D].苏州大学.2018
[7].徐协峰.基于用户行为上下文信息的兴趣点推荐研究[D].苏州大学.2018
[8].黄国豪.基于用户中心点访问上下文的边缘缓存应用研究[D].武汉大学.2018
[9].文俊浩,孙光辉,李顺.基于用户聚类和移动上下文的矩阵分解推荐算法研究[J].计算机科学.2018
[10].李唯果.基于上下文信息和用户行为的推荐方法研究[D].重庆邮电大学.2018