导读:本文包含了属性向量论文开题报告文献综述及选题提纲参考文献，主要关键词:在线评论,特征抽取,属性归类,词向量
属性向量论文文献综述
李良强,袁华,叶开,钱宇,唐小我[1]（2018）在《基于在线评论词向量表征的产品属性提取》一文中研究指出在线评论中蕴含的产品信息具有很高的电子商务应用价值.但是,与之相关的文本挖掘工作,常常会面临着特征抽取以及对特征属性进行归类等问题的挑战.基于词向量模型在表达词语的情景语义方面的优势,提出了一种结合词向量表征和K-means聚类相结合的半监督方法,用于从海量在线文本中高效挖掘出用户评论的特征,并进一步按照这些特征的语义提取出它们的归类信息.在真实数据集上的实验结果表明,提出的方法可有效应用于海量在线评论中的文本属性提取工作;与经典模型相比,本方法从特征中提取的归类属性信息能更好地呈现出评论者表达的语义.(本文来源于《系统工程学报》期刊2018年05期）
许玉格,赖春伶,刘莉[2]（2018）在《多属性核函数快速向量机的污水在线软测量》一文中研究指出针对污水生化处理过程复杂、在线仪表的维护困难等问题,提出了一种基于多属性高斯核函数的快速向量机在线污水软测量模型.该模型通过多属性高斯核来构造快速相关向量机的贝叶斯矩阵,通过引入快速边际似然算法来加快迭代更新的速度.将所提算法与支持向量机(SVM)、相关向量机(RVM)、快速相关向量机(FASTRVM)及几种基于不同核函数的快速相关向量机算法进行对比实验,结果表明所提方法可减小相关向量个数,提高预测精度,尤其可显着减少软测量建模的计算量.实验结果证明了该方法在污水系统在线软测量的有效性.(本文来源于《信息与控制》期刊2018年02期）
温占考,易秀双,刘勇,李婕,王兴伟[3]（2018）在《基于属性向量协同过滤推荐算法并行化》一文中研究指出为提高协同过滤推荐算法的效率及准确率,提出一种基于属性向量典型性的排序推荐算法。综合考虑物品属性信息及用户对物品历史评分等多维度信息,计算用户间的相似度,根据相似用户的评分行为预测目标用户对物品排列概率,得到最终推荐列表。在Hadoop分布式环境下进行实现,实验结果表明,相比于传统推荐算法,该方法更加高效和准确。(本文来源于《计算机工程与设计》期刊2018年02期）
阎伸[4]（2017）在《基于支持向量机的多属性决策方法》一文中研究指出多属性决策也称有限多方案多目标决策,即考虑多个方案,且每个方案有多个属性进行描述,这类问题在很多领域都很常见,因此该研究具有深刻的理论意义和广泛的实际应用背景。对于多属性决策问题,往往希望能够绝对客观公正地给决策者最优的备选方案,正是基于这种考虑,本文提出了利用支持向量机的原理,对决策问题进行回归分析拟合,从而得出决策模型的机制。支持向量机是一种基于统计学习理论的机器学习方法,它具有较为完备的理论基础和较好的学习性能。目前统计学习理论正处于一个向实际应用推广的阶段,支持向量机需要进一步完善和改进,以满足实际应用的需求。支持向量机尤其对于小样本、非线性问题展现了较为良好的性能。所以本文利用了支持向量机在多属性决策问题上的适应性,给出了基于支持向量机的多属性决策方法。本文首先研究了支持向量回归模型的参数问题,为了使得模型参数的选取更为迅速,引入了粒子群算法。将该模型应用到一类多属性决策问题中,对该问题进行回归拟合,并给出决策方案,通过对比实验看出优化模型的性能。接着对多属性决策中的期刊评价问题进行实验分析。由于期刊评价问题的属性间具有较强的相关性,这就使得一些回归拟合方法具有限制性,而运用支持向量回归的方法可以不用考虑以上问题。最后,对属性更多的更为复杂的多属性决策问题进行研究,引入主成分分析算法对这类问题进行简化,最大程度地去除冗余和不重要的属性,再利用支持向量机模型拟合,大大提高了运算效率,使得决策这一类问题变得简便。(本文来源于《沈阳工业大学》期刊2017-05-24）
卢星凝[5]（2017）在《基于支持向量数据描述的属性约简算法研究》一文中研究指出在日常活动中,人们通过辨识事物的特征属性,对不同对象进行区分以及进一步的分析决策。然而在实践中,往往存在待辨认特征属性数量过大而影响人类认知的情况。因此,研究人员开始研究如何利用计算机来模拟人类分类的方法,且已经取得了一定的成果。但是,为了精确地描述对象且提高分类性能,需要获取庞大的属性信息,这同时也带来了时间和空间的复杂度问题。在这种情况下,属性简化成为当前一项重要课题。包括特征选择消除、特征提取等方法在内的属性约简,被用来简化特征信息,以在尽可能短的时间和尽可能小的空间内,获取高维数据中的特征信息。相比于使用全部特征,通过属性约简的相关方法获得约简子集可以在短时间内获得近似或者更好的分类效果,达到分类识别率和计算复杂度的平衡。本文对支持向量数据描述算法进行研究,对不同类别的数据建模,约简数据的属性,获取核心信息,进行高效的分类决策。相关工作主要包括:(1)提出了基于多个支持向量数据描述的对偶目标递归特征消除方法。支持向量数据描述利用目标样本集中的特征信息对数据进行训练,并求解对偶二次规划得到最优解。对偶特征选择方法计算每一类数据对应的对偶目标函数,找到最差特征对应的对偶目标排序分值,消除最差特征,约简目标数据量。实验证明,该方法可以有效地约简数据的属性,提升分类效率。(2)提出了基于多个支持向量数据描述的半径递归特征消除方法。在所提方法中,支持向量数据描述围绕一类数据集获得一个封闭的分界,将异类样本拒绝在边界外,最终得到以球心和半径度量的超球体模型。对于多类数据,该方法分别对每一类超球体模型的半径进行相对排序,消除对应最小半径排序的特征,最终获得核心特征。多个数据集上的实验证明,相比于对偶目标递归特征消除方法,半径递归特征消除法不仅可以加快分类速度,在维度较小的情况下,仍能保持很好的分类正确率。(3)提出了基于多个支持向量数据描述的定向距离特征提取方法。由于在实际应用中,数据特征间不仅仅只有好坏之分,往往还可能存在复杂的联系,在消除部分特征以后,相关的联系就有丢失的可能,所以通过不良特征来减少数据量的属性约简方法的实用性会受到限制。基于多个支持向量数据描述的定向距离特征提取方法能保留所有的特征数据,计算各类数据到超球体模型的距离,获得变换后的新特征。实验结果表示,该方法在保留原始特征信息的同时,达到约简数据、提高分类速度目的。(本文来源于《苏州大学》期刊2017-05-01）
周永胜[6]（2017）在《基于属性选择算法和支持向量机的组合预测模型研究》一文中研究指出在移动互联网高速发展的今天,人类已经不可避免地生活在了海量数据日积月累的年代,诸如社交网络、证券交易以及气象变化等领域每天都有千兆兆字节(Peta-Byte,PB)的数据注入我们的计算机网络、万维网和计算机存储设备。面对洪流般的数据,数据挖掘、机器学习和人工智能等学科蓬勃发展,这些工具帮助我们从海量数据中发现有价值的信息。其中,使用特定的学习模型根据已知数据来预测将来未知数据是目前研究的热点,这使得我们可以使用预测的结果对事物做出更加正确的决策。但是实践中产生的大量数据通常具有不完整、冗余性、有噪声等特性,如果不对数据进行预处理就直接使用模型方法进行处理,那么我们得到的结果肯定是受到一定损失的。以属性选择算法为代表的数据预处理则可以在一定程度上解决这一问题。通过属性选择,对数据的预测精度以及学习的效率都有诸多好处。本文正是基于这一理论基础,将目前比较流行的支持向量机学习器和几种属性选择算法结合起来,设计出一种预测数据的组合模型并得到了不错的结果。本文具体工作如下:(1)研究了常见的叁种属性选择算法:邻域粗糙集属性选择算法、基于灰度关联分析的属性选择算法以及基于线性相关性分析的属性选择算法。使用属性选择方法将高维度数据中冗余的属性、对决策结果影响极弱的属性以及某些噪声属性删除,这对后续分析处理大有益处。(2)研究了支持向量机学习模型。支持向量机基于自身完善的理论基础能够很好的解决小样本情况下的非线性学习问题,并最终得到全局最优解。但是当样本数据量过大、样本维度过高时,则会导致学习时间过长甚至可能由于冗余数据产生过度拟合的情况,由此造成学习的精度和效率受到一定程度的折扣。(3)本文结合属性选择算法和支持向量机各自的优点将两者结合起来得到组合预测模型“属性选择-PSO-SVM”:分别将邻域粗糙集、灰度关联分析和线性相关分析这叁种属性选择算法作为支持向量机学习模型的前端,首先将待处理的数据进行降维操作,然后将预处理得到的结果作为支持向量机学习模型的输入并得到学习结果。(4)本文使用来自UCI机器学习数据库的10组数据集对设计的组合模型进行了验证,实验证明“属性选择-PSO-SVM”组合模型相比于单一的支持向量机学习模型,在预测精度和学习效率两方面都有很大程度的改善。(5)本文通过实验对邻域粗糙集、灰度关联分析和线性相关性分析叁种属性选择算法做了分析比较。实验证明:邻域粗糙集属性选择算法对应的组合模型在预测精度方面具有最大程度的提高;线性相关性分析属性选择算法对应的组合模型对预测精度提高最小,但是该组合模型的整体学习时间却是最少的;灰度关联分析对应的组合模型对预测精度的提高介于前两者之间,其对应的运行时间是最多的。(本文来源于《兰州大学》期刊2017-04-01）
刘维伟[7]（2017）在《基于连续向量的服装属性表示研究与应用》一文中研究指出随着移动互联网的发展,网络购物日益普及。目前,大部分网络购物服务沿用网络搜索的思路,在用户输入购物需求后返回满足需求的商品列表供用户选择。但是对于很多商品,例如服装,人们可能在购物之初不会明确所有的需求细节,而需要仔细的挑选,在挑选过程不断细化明确自己的需求。例如,最初的需求是要买一件大衣,当看到一款搜索结果中的红色大衣后,再进一步明确需要这种款式的但颜色是兰色的大衣。现有的基于内容的图像检索和基于文本(标签)的图像检索只能依据给定的约束条件进行搜索后返回结果,或者在输入更多约束条件时在搜索结果内再搜索,而不能根据用户对搜索结果的反馈信息进行再搜索,尤其是进行替换商品某个属性的再搜索。为解决此问题,本文在综述相关研究的基础上,开展了如下的工作:提出了一种基于深度学习的图像属性特征学习模型,将一幅服装图像表示为多段连续向量,每一段连续向量表示服装图像的一个属性特征,如裙长等。实验表明了该模型提取出的图像特征在检索任务上的有效性;并在可视化分析中进一步明确了属性学习的效果。基于上述属性学习模型,提出了一种局部属性替换的检索方案以满足前述的搜索需求。在基于服装图像进行首次检索后,当用户针对某一个属性提出新的需求时,将图像中相应该属性的向量替换为用户想要的属性向量,而其余的部分不变,用新生成的图像特征进行检索。最后,基于上述提出的模型和方案,实现了一个融合对话交互的服装检索系统。系统依据用户首次上传的服装图片,得到第一次检索结果,而后可以接受用户提出的在属性层的需求修改,进行二次检索。(本文来源于《北京邮电大学》期刊2017-01-05）
李志宇,梁循,周小平[8]（2016）在《基于属性主题分割的评论短文本词向量构建优化算法》一文中研究指出从词向量的训练模式入手,研究了基于语料语句分割(BWP)算法,分隔符分割(BSP)算法以及属性主题分割(BTP)算法叁种分割情况下的词向量训练结果的优劣。研究发现,由于评论短文本的自身特征,传统的无分割(NP)训练方法,在词向量训练结果的准确率和相似度等方面与BWP算法、BSP算法以及BTP算法具有明显的差异。通过对0.7亿条评论短文本进行词向量构建实验对比后发现,该文所提出的BTP算法在同义词(属性词)测试任务上获得的结果是最佳的,因此BTP算法对于优化评论短文本词向量的训练,评论短文本属性词的抽取以及情感倾向分析等在内的,以词向量为基础的应用研究工作具有较为重要的实践意义。同时,该文在超大规模评论语料集上构建的词向量(开源)对于其他商品评论文本分析的应用任务具有较好可用性。(本文来源于《中文信息学报》期刊2016年05期）
宋倩,黄睿[9]（2016）在《基于属性剖面和支持向量机的遥感图像检索》一文中研究指出围绕形态学属性剖面和SVM分类算法相结合进行遥感图像特征匹配和检索展开研究,提出了基于属性剖面(attribute profiles,APs)和支持向量机(support vector machine,SVM)的遥感图像检索方法。首先,对遥感图像进行形态学属性滤波;接着对滤波后图像提取灰度特征和Gabor纹理特征;最后,在提取的特征基础上,使用SVM对候选图像进行预分类,判断待检索图像类别;再从该类别中根据距离度量选择相似度高的图像以完成检索。实验表明,所提方法具有较好的检索性能。(本文来源于《电子测量技术》期刊2016年08期）
黎吾鑫,王新,方伟欣[10]（2016）在《基于改进TFN-AHP的微博用户属性特征向量提取算法研究》一文中研究指出在对传统TFN-AHP算法进行研究的基础上,针对其中判断矩阵标度选择不合理、计算过程中会出现错误以及各属性评价指标权重差异小不易区分和排序的问题,提出了改进的TFNAHP算法,该算法通过构造模糊精度矩阵和采用闭区间[0,1]的实数作为模糊判断矩阵标度值,避免了传统TFN-AHP算法中将某一属性特征权重武断判定为0的错误,同时使用可控迭代精度的迭代方法计算特征向量,使各属性权重间有较好的区分性,有利于各属性的重要性排序,并基于该算法提取了微博用户属性特征向量.(本文来源于《云南民族大学学报(自然科学版)》期刊2016年04期）
属性向量论文开题报告
（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：
针对污水生化处理过程复杂、在线仪表的维护困难等问题,提出了一种基于多属性高斯核函数的快速向量机在线污水软测量模型.该模型通过多属性高斯核来构造快速相关向量机的贝叶斯矩阵,通过引入快速边际似然算法来加快迭代更新的速度.将所提算法与支持向量机(SVM)、相关向量机(RVM)、快速相关向量机(FASTRVM)及几种基于不同核函数的快速相关向量机算法进行对比实验,结果表明所提方法可减小相关向量个数,提高预测精度,尤其可显着减少软测量建模的计算量.实验结果证明了该方法在污水系统在线软测量的有效性.
（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。
属性向量论文参考文献
[1].李良强,袁华,叶开,钱宇,唐小我.基于在线评论词向量表征的产品属性提取[J].系统工程学报.2018
[2].许玉格,赖春伶,刘莉.多属性核函数快速向量机的污水在线软测量[J].信息与控制.2018
[3].温占考,易秀双,刘勇,李婕,王兴伟.基于属性向量协同过滤推荐算法并行化[J].计算机工程与设计.2018
[4].阎伸.基于支持向量机的多属性决策方法[D].沈阳工业大学.2017
[5].卢星凝.基于支持向量数据描述的属性约简算法研究[D].苏州大学.2017
[6].周永胜.基于属性选择算法和支持向量机的组合预测模型研究[D].兰州大学.2017
[7].刘维伟.基于连续向量的服装属性表示研究与应用[D].北京邮电大学.2017
[8].李志宇,梁循,周小平.基于属性主题分割的评论短文本词向量构建优化算法[J].中文信息学报.2016
[9].宋倩,黄睿.基于属性剖面和支持向量机的遥感图像检索[J].电子测量技术.2016
[10].黎吾鑫,王新,方伟欣.基于改进TFN-AHP的微博用户属性特征向量提取算法研究[J].云南民族大学学报(自然科学版).2016