导读:本文包含了关系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:商品购买,消费者,推荐多样性,推荐方法
关系推荐论文文献综述
王茜,喻继军[1]（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）
孟祥福,毛月,张霄雁,赵路路,赵泽祺[2]（2019）在《基于地理-社会-评论关系的典型化兴趣点推荐方法》一文中研究指出当前兴趣点推荐大多利用兴趣点的位置信息和用户的社交关系提升推荐质量,忽略了兴趣点评论信息的重要性;此外,推荐的兴趣点之间通常比较相似,不具有代表性和差异性.针对上述问题,提出了一种新的兴趣点相关度评估模型,称为地理-社会-评论关系模型,并给出了一种新的评论文本相似度度量方法.根据兴趣点间的地理-社会-评论关系相关度,提出了基于谱聚类的兴趣点聚类方法和基于概率密度估计的兴趣点典型化选取方法,以便从每个聚类中选取一个具有代表性的兴趣点.对于选取的典型化兴趣点,提出了利用概率因子模型拟合用户访问兴趣点次数矩阵的方法对推荐结果进行个性化排序.实验结果表明,本文提出的相关度评估模型对兴趣点的相关度评估更合理,推荐结果在多样性和准确率方面都取得了更好的效果.(本文来源于《小型微型计算机系统》期刊2019年11期）
周波[3]（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）
高慧颖,魏甜,刘嘉唯[4]（2019）在《基于用户聚类与动态交互信任关系的好友推荐方法研究》一文中研究指出【目的】利用用户信息和社交网络拓扑信息,提出基于用户聚类与动态交互信任关系进行精准好友推荐的方法。【方法】基于用户信息进行特征向量建模,改进K-Prototypes算法分类型变量的距离计算公式,并使用改进的K-Prototypes算法将最有可能成为好友的用户预先聚为k个簇类,然后在每一簇中基于拓扑社交网络信任关系对目标用户进行好友推荐。从全局信任关系和交互信任关系两个维度衡量用户之间的拓扑网络信任关系,并创新性地引入叁个动态信任调节因子对交互信任度进行调节。最后在各个簇中融合全局信任度和动态交互信任度计算动态综合信任度,基于此为用户产生Top-N好友推荐列表。【结果】通过与传统的好友推荐方法 FOAF和SNS+Content进行比对,本文基于用户聚类与动态交互信任关系的好友推荐方法在准确性、召回率、F1-Measure指标上均高于传统方法。【局限】本文的信任衡量模型只涉及多对一和一对一之间的群体信任关系,暂未考虑到一对多、多对多的群体信任关系。【结论】本文综合利用用户信息和社交网络拓扑结构信息,深度挖掘用户间交互行为变化所反映的动态信任关系,能为社交用户做出更有效的好友推荐。(本文来源于《数据分析与知识发现》期刊2019年10期）
李昱杭,杨艳,高静远[5]（2019）在《地理分层结构与社会关系的兴趣点推荐》一文中研究指出随着基于地理位置的社交网络的兴起,兴趣点(POI)推荐引起了人们的许多关注。POI推荐向用户推荐他们可能感兴趣但没有访问过的地方,从而解决用户"下一步去哪"的问题。本文提出新的用户相似性度量、全局影响力以及热门POI的概念。综合考虑了多个影响因素之间的关系,以地理分层结构的矩阵分解模型(HGMF)为基础,提出新的POI推荐算法HGS-MF。在Yelp和Gowalla社交网络数据集上对HGS-MF进行了评估。实验结果表明,HGS-MF方法的实验表现均优于传统的POI推荐算法。(本文来源于《软件工程》期刊2019年10期）
李卫疆,郑雅民[6]（2019）在《基于信任关系和项目流行度的矩阵分解推荐算法》一文中研究指出针对现有推荐系统推荐覆盖范围不高的问题,提出一种融合项目流行度和用户信任关系的矩阵分解推荐算法。合并用户-项目评分矩阵和用户-用户信任关系矩阵,通过矩阵分解的方式同时传递信任和推荐项目,极大提高了推荐算法的覆盖率,但损失了现有方法8%左右的精度。将项目流行度作为权重因子,引入到高稀疏性的用户-项目评分矩阵中,根据项目流行度对用户评分项目和未评分项目分别进行加权处理,提高了推荐算法的准确率。通过在Epinions数据集上的对比实验结果表明,该算法在大幅度改善推荐覆盖率的同时,保证了推荐的准确率,能够给于用户更好的推荐效果。(本文来源于《计算机应用与软件》期刊2019年09期）
郭浩,张芷茵[7]（2019）在《智能算法推荐与用户情绪关系的实验探究》一文中研究指出愈来愈多的新媒体利用智能算法向大众推荐新闻。文章试图探索新媒体的智能算法推荐与用户情绪之间的关系,通过设置实验场景,向读者每日推送其所感兴趣主题的新闻信息。基于实验前后的正性负性情绪量表(PANAS)测试结果的对比,发现持续性的正面信息推荐会提升用户的正向情绪、降低用户的负向情绪,而持续性的负面信息推荐会减少用户的正向情绪、抬升用户的负面情绪,并且会使得情绪体验变得更为集中;此外,持续性的负面信息推荐所施加的影响要强于持续性的正面信息推荐。因此,文章认为新媒体应审慎地对待智能算法技术。(本文来源于《新媒体研究》期刊2019年15期）
温彦,马立健,曾庆田,郭文艳[8]（2019）在《基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐》一文中研究指出【目的】利用用户签到记录的地理位置信息和用户社交关系开展对兴趣点(POI)推荐问题的研究。【方法】基于签到地理位置所隐含的用户偏好及用户社交关系的偏好特征两方面提高兴趣点推荐质量,提出一种推荐模型MFDR,对已有工作进行如下改进:采用距离熵描述不同签到地理位置所反映的用户偏好并用于修正用户兴趣矩阵;引入用户关系兴趣矩阵用于细化社交关系的兴趣偏好,基于正则矩阵分解法求解用户兴趣矩阵和用户关系兴趣矩阵,并采用联合分解方式保障结果的一致性。【结果】在Gowalla和Brightkite签到数据集上进行实验,结果优于已有的POI推荐工作。当隐语义数为10、推荐数为10时,该模型在Gowalla上推荐的准确率为4.47%,召回率为9.95%,分别比其他兴趣点推荐模型高至少30.71%和28.93%。【局限】受朋友关系及其共同签到数据的稀疏性影响,实验样本数量有待扩充,所得结论有待进一步推广。【结论】基于地理信息偏好修正和社交关系隐式分析的POI推荐方法具有较好的推荐效果。(本文来源于《数据分析与知识发现》期刊2019年08期）
刘思,张德鹏,林萌菲[9]（2019）在《顾客心理授权、顾客承诺与网络口碑推荐关系研究——在线品牌社区类型的调节作用》一文中研究指出网络营销新环境中,授权逐渐成为企业挖掘顾客购买力与创造力价值的重要途径。但是,被授权顾客后续口碑推荐行为中蕴藏的潜在营销价值仍未受到充分重视。本文结合社会认知与社会交换视角,探讨差异化的网络环境中顾客心理授权对网络口碑推荐的影响路径。研究结果表明:顾客心理授权对网络口碑推荐存在显着正向影响,其中顾客承诺起中介作用;在线品牌社区类型对顾客心理授权与顾客承诺间关系的调节作用得到部分验证。研究为企业通过顾客心理授权挖掘顾客网络口碑传播的营销价值提供决策依据。(本文来源于《预测》期刊2019年04期）
吴毅涛,赵磊,赵耀强[10]（2019）在《基于用户关系的兴趣点推荐算法》一文中研究指出基于用户的协同过滤算法能够度量用户的兴趣爱好,被广泛地应用于兴趣点推荐中,但该算法没有考虑到用户间的关系,导致兴趣挖掘不够准确。本文在基于用户的协同过滤算法的基础上,引入用户的签到数量及用户共同签到数量来刻画用户关系,并设计了基于用户关系的兴趣点推荐算法。试验表明,该算法能够有效提高兴趣点的推荐精度。(本文来源于《测绘与空间地理信息》期刊2019年07期）
关系推荐论文开题报告
（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：
当前兴趣点推荐大多利用兴趣点的位置信息和用户的社交关系提升推荐质量,忽略了兴趣点评论信息的重要性;此外,推荐的兴趣点之间通常比较相似,不具有代表性和差异性.针对上述问题,提出了一种新的兴趣点相关度评估模型,称为地理-社会-评论关系模型,并给出了一种新的评论文本相似度度量方法.根据兴趣点间的地理-社会-评论关系相关度,提出了基于谱聚类的兴趣点聚类方法和基于概率密度估计的兴趣点典型化选取方法,以便从每个聚类中选取一个具有代表性的兴趣点.对于选取的典型化兴趣点,提出了利用概率因子模型拟合用户访问兴趣点次数矩阵的方法对推荐结果进行个性化排序.实验结果表明,本文提出的相关度评估模型对兴趣点的相关度评估更合理,推荐结果在多样性和准确率方面都取得了更好的效果.
（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。
关系推荐论文参考文献
[1].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
[2].孟祥福,毛月,张霄雁,赵路路,赵泽祺.基于地理-社会-评论关系的典型化兴趣点推荐方法[J].小型微型计算机系统.2019
[3].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
[4].高慧颖,魏甜,刘嘉唯.基于用户聚类与动态交互信任关系的好友推荐方法研究[J].数据分析与知识发现.2019
[5].李昱杭,杨艳,高静远.地理分层结构与社会关系的兴趣点推荐[J].软件工程.2019
[6].李卫疆,郑雅民.基于信任关系和项目流行度的矩阵分解推荐算法[J].计算机应用与软件.2019
[7].郭浩,张芷茵.智能算法推荐与用户情绪关系的实验探究[J].新媒体研究.2019
[8].温彦,马立健,曾庆田,郭文艳.基于地理信息偏好修正和社交关系偏好隐式分析的POI推荐[J].数据分析与知识发现.2019
[9].刘思,张德鹏,林萌菲.顾客心理授权、顾客承诺与网络口碑推荐关系研究——在线品牌社区类型的调节作用[J].预测.2019
[10].吴毅涛,赵磊,赵耀强.基于用户关系的兴趣点推荐算法[J].测绘与空间地理信息.2019