导读:本文包含了用户兴趣变化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,特征提取,数据稀疏性问题,用户兴趣漂移问题
用户兴趣变化论文文献综述
黄文明,张健[1]（2019）在《契合用户兴趣变化的评论文本深度建模》一文中研究指出针对目前推荐系统对评论文本的特征提取能力不足导致的性能局限,以及数据稀疏性问题和用户兴趣漂移问题导致的推荐精度下降问题进行研究,提出一种契合用户兴趣变化的评论文本深度建模方法,基于深度学习改进传统推荐算法。使用词嵌入技术,挖掘并利用数据集评论中的语义得到表达结果;通过使用并行的一组卷积神经网络,充分挖掘用户和项目评论数据中的隐含特征;设计兴趣衰减曲线,针对用户兴趣漂移现象进一步调整用户建模的契合度;设计一层耦合结构,将两组特征作为输入使用因子分解机进行评分预测,得到推荐结果。仿真结果表明,推荐结果的准确度得到了提升,该方法可行有效。(本文来源于《计算机工程与设计》期刊2019年05期）
毕孝儒[2]（2019）在《融合用户兴趣分布变化和特征差异的协同过滤推荐算法》一文中研究指出针对传统协同过滤算法没有考虑由时间引起的用户兴趣分布变化、致使其推荐精度不高的问题,提出了融合用户兴趣分布变化和特征差异的协同过滤推荐算法。采用窗方法估计用户在整个项目空间上的兴趣分布,设计时间遗忘曲线因子用以确定用户兴趣分布变化函数,最后结合兴趣分布变化相对熵和用户特征差异计算用户相似程度并进行项目推荐。实验结果表明,该算法能够有效追踪用户对项目兴趣变化,提高了数据稀疏情况下的推荐精度。(本文来源于《计算机时代》期刊2019年01期）
邓应文[3]（2018）在《适应用户兴趣变化的协同过滤推荐算法研究》一文中研究指出随着计算机技术、互联网和移动通讯的快速发展,人们生活中的信息量呈指数级的激增,在给人们带来方便的同时,也造成了“信息过载”的现状。如何从这些海量信息中找到自己所需的内容,成为了目前大数据形势下的研究热点。由于推荐系统能有效的从海量信息中挖掘出用户所需的内容、备受用户欢迎,因此它已经被运用到各个领域。随着推荐系统的兴起,与之对应的推荐算法也备受商业界和学术界的重视。目前,以协同过滤推荐算法为核心的推荐系统应用最为广泛。本文主要研究内容是融合近邻传播算法与模糊C均值聚类算法(AP-FCM)和时间权重函数来降低由于数据稀疏性和用户兴趣随时间变化问题对传统协同过滤推进算法带来的影响。首先,利用AP-FCM聚类算法来降低数据稀疏比例。由于模糊C均值聚类算法(FCM)算法具有聚类中心不稳定且聚类个数需人为设定的缺陷,而近邻传播算法(AP)能自动生成聚类中心点和聚类个数,因此本文将两者优势结合,提出了AP-FCM聚类算法。实验分析结果表明,AP-FCM算法不仅在聚类中心的选取上也要优于传统的FCM聚类算法,而且能有效的降低数据稀疏比例。其次,引入时间权重函数。对不同时段的评分给予不同的权重值进行衰减,以体现用户的兴趣随时间迁移而变化。实验结果表明,时间权重函数能有效的体现用户兴趣随时间迁移而变化。最后,本文将AP-FCM聚类算法与时间权重函数相结合,提出基于AP-FCM与时间权重函数的协同过滤推荐算法。并将该算法与传统的协同过滤推荐算法在公共数据集Movie Lens上进行实验对比分析,结果表明,基于AP-FCM与时间权重函数的协同过滤推荐算法在准确度上要优于传统的协同过滤推荐算法。(本文来源于《西北师范大学》期刊2018-05-01）
董晨露,柯新生[4]（2018）在《基于用户兴趣变化和评论的协同过滤算法研究》一文中研究指出传统协同过滤算法中,随着用户和商品数量的日益增多,用户-项目评分矩阵越来越稀疏。针对这一问题,提出了一种基于用户兴趣变化和评论的协同过滤算法。该算法将用户评论和遗忘曲线引入传统协同过滤算法中,将评论文本作为商品特征描述文本,使用主题模型计算商品主题特征,引入艾宾浩斯遗忘曲线来协同计算用户的评论分布及评论相似度。将用户评论相似度和用户评分相似度相结合,以得到最终的用户相似度,进而对商品评分进行预测。对网络爬取的真实数据进行验证,结果显示该算法能够在稀疏数据集上获得较好的推荐结果。(本文来源于《计算机科学》期刊2018年03期）
陈海龙,谢晟,薛宇彤[5]（2019）在《用户兴趣变化和类别关联度的混合推荐算法》一文中研究指出协同过滤算法是目前推荐系统中最普遍的个性化推荐技术。针对传统算法相似性度量方法不足的问题,提出了融合用户兴趣变化和类别关联度的混合推荐算法。算法根据用户的评分项目信息来对项目进行类别划分,挖掘出用户对不同类别项目的喜爱关注程度;同时将基于时间的兴趣度权重函数引入项目相似度计算之中来进一步提高计算的精确度;最后将改进后的相似度计算方法融入到用户聚类方法中,用户聚类之后,其所在的类别将对用户推荐准确度产生极大的作用。实验结果表明,在MovieLens-1k数据集上运行该算法,在运行效率和精确度上都有所提高。(本文来源于《计算机应用研究》期刊2019年02期）
赵春秀[6]（2017）在《基于用户兴趣变化和排序的个性化推荐》一文中研究指出目前,由于网络技术的飞速发展,互联网中的数据也跟着大幅度增加。从而将人们从一个信息闭塞的时代带入到一个信息化的大数据时代。在大数据时代,人们无法从大量数据信息中迅速找到自己需要的信息,从而降低了用户使用信息的效率,这就是目前比较普遍的“信息过载”问题。针对信息过载问题的一个有效的解决方法就是推荐系统。推荐系统能够自发的为用户寻找有用信息进行推荐。现在推荐系统的研究受到众多学者的青睐,并且在很大程度上取得了成功。但是随着推荐系统中数据量的不断增加,以及推荐需求不断复杂化,推荐系统中的问题也逐渐突显出来。针对推荐系统面临的问题和挑战,本文提出了一个基于用户兴趣变化和排序的个性化推荐模型。该模型分为基于用户兴趣变化的评分预测模块和基于排序学习的初始推荐列表重排序两个模块。基于用户兴趣变化的评分预测模块,主要解决用户兴趣变化问题带来的推荐不准确问题,最终产生一个初始的推荐列表。基于排序学习的初始推荐列表重排序模块,主要解决推荐结果的排序问题。最终将排在前面的几个商品推荐给用户。本文在评分预测模块中提出了基于用户兴趣变化的评分预测算法。该算法首先根据艾宾浩斯遗忘曲线建立时间效用函数,其次对项目进行时间加权的K-means聚类,最后通过时间加权的相似度计算找到最近邻居项目,初始的推荐结果因此而产生。在排序模块中提出了基于排序学习的初始推荐列表重排序算法。该算法首先进行评分数据的特征构建,其次确定训练样本,最后进行LR模型的排序学习,生成基于point-wise的排序学习模型。将评分预测模块产生的初始推荐列表输入到该模型中,计算列表中项目的得分,据此进行排序。最后将排在前面的项目推荐给用户。为了验证本文提出的基于用户兴趣变化和排序的个性化推荐算法的有效性。本文通过实验进行验证。实验表明本文提出的算法在MAE、RMSE、Precision和MAP等多个指标上表现突出。所以本文提出的算法是切实可行的。(本文来源于《大连海事大学》期刊2017-12-01）
张力鹏[7]（2017）在《基于用户兴趣变化的高校图书馆个性化图书推荐技术的研究与实现》一文中研究指出随着时代的进步和科技的飞跃发展,互联网的出现和普及使人们的生活发生了巨大的改变,可以说互联网早已渗透到当今社会的各行各业中。但是,技术的不断发展使网络中的数据量也在不断的增长,从而导致人们在获取自己需要的信息时,很难及时而又准确地在庞杂的数据中挑选出来适合自己或者自己喜欢的资源,致使信息的使用效率大大降低。现在我们就生活在这样一个“信息过载”的时代。电子图书资源和图书馆图书资源的日益增多,为当今的在校师生带来了丰富的知识源泉。在图书馆的大量藏书中快速地挑选到自己感兴趣或者适合自己的图书是一项极具挑战的工作。传统的高校图书馆管理系统仅仅能够在一定程度上解决这个问题,可以为用户提供搜索、查询、借阅、归还图书等功能。但随着社会和信息化的发展进步,在校师生的阅读兴趣偏好会不断地发生变化、阅读范围越来越广,阅读需求逐渐呈现出个性化的趋势。为了提高高校图书馆图书资源利用率,满足用户的个性化需求,能够主动地为用户进行个性化图书推荐,本文对个性化图书推荐和用户兴趣变化开展研究,并实现了基于用户兴趣变化的高校图书馆个性化图书推荐系统。本文主要是帮助高校师生解决面对海量图书很难做出正确选择的问题,主动为师生进行个性化图书推荐。本文在分析传统协同过滤推荐算法的基础上,对用户兴趣变化问题加以考虑,分析出用户兴趣变化影响协同过滤推荐算法主要是在两个核心过程,即寻找相似邻居集合的过程和预测评分的过程。在这两个核心过程引入时间权重和频率权重相融合的调节因子,对算法进行改进。本文提出调节因子的方法符合艾宾浩斯遗忘曲线的原则,能够有效提高个性化图书推荐的准确性。高校图书馆个性化图书推荐系统以个性化推荐技术在高校图书馆的研究为背景,首先进行了需求分析,包括用户需求分析、系统功能性需求分析和系统非功能性需求分析,然后对系统的功能模块和数据库进行概要和详细设计,运用加入调节因子的协同过滤推荐算法实现个性化图书推荐模块,最终使用Java开发语言、B/S架构模式、SSH框架实现高校图书馆个性化图书推荐系统,测试结果显示该系统能够更准确地为用户进行个性化图书推荐,提高了图书馆图书资源利用率。(本文来源于《辽宁大学》期刊2017-05-01）
邓娟[8]（2016）在《用户兴趣变化下的协同过滤最优推荐仿真》一文中研究指出协同过滤是根据用户的行为记录对用户不喜欢的产品进行过滤的。由于用户兴趣会随着时间推移发生改变,使得用户兴趣特征在不同时间段下出现一定的差异。传统的推荐方法,主要是通过用户兴趣特征进行推荐的,没有考虑时间因素造成的用户兴趣特征动态变化,导致推荐误差大,精度度低的问题。提出一种新用户兴趣变化下的协同过滤最优推荐方法。先导入用户访问时间的数据权重和资源相似度的数据权重并进行数据权重融合,计算出权重函数,在给定目标用户,组建目标用户的基准标签集,通过指数偏移后的用户标签向量筛选出目标用户的最近邻居,获取最近邻居标记资源的推荐分数,利用分数最高的前K个资源为目标用户做出最优推荐。仿真结果表明,改进的协同过滤最优推荐方法可以快速的掌握用户的兴趣变化,使推荐精确度提高。(本文来源于《计算机仿真》期刊2016年08期）
胡伟健,滕飞,李灵芳,王欢[9]（2016）在《适应用户兴趣变化的改进型协同过滤算法》一文中研究指出协同过滤算法可以根据用户的历史行为记录去预测其可能喜欢的物品,是现在业界应用极为广泛的推荐算法。但传统的协同过滤算法并没有考虑到用户兴趣的概念漂移,在一些基于时间的协同过滤算法中对推荐时效性的考虑也有所欠缺。针对这些问题,结合用户兴趣随时间转移的特点,改进了相似度的度量方法,同时引入一种增强的时间衰减模型来度量预测值,并将这两种方式有机地结合起来,解决了用户兴趣的概念漂移问题并考虑了推荐算法的时效性。仿真实验中,分别在不同的数据集中对比了该算法与User CF、TCNCF、PTCF以及TimeSVD++算法的预测评分准确度和TopN推荐准确度。实验结果表明,改进算法能够降低预测评分的均方根误差(RMSE),并在TopN推荐准确度上均优于对比算法。(本文来源于《计算机应用》期刊2016年08期）
胡伟健,陈俊,李灵芳,何盛国[10]（2016）在《结合用户特征和兴趣变化的组推荐系统算法研究》一文中研究指出组推荐系统能够为多个用户组成的群组提供推荐服务。提出了结合用户特征和用户兴趣变化的组推荐系统算法。根据用户特征使用聚类算法进行群组发现,提出了一种结合用户兴趣变化的协同过滤算法,并使用该算法对群组内的用户评分进行预测;采用评分融合方法以及痛苦避免均值融合策略将群组内各用户的偏好进行融合,得出群组预测评分,从而为群组推荐结果。实验结果表明,该算法能有效提高组推荐系统准确度。(本文来源于《软件导刊》期刊2016年06期）
用户兴趣变化论文开题报告
（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：
针对传统协同过滤算法没有考虑由时间引起的用户兴趣分布变化、致使其推荐精度不高的问题,提出了融合用户兴趣分布变化和特征差异的协同过滤推荐算法。采用窗方法估计用户在整个项目空间上的兴趣分布,设计时间遗忘曲线因子用以确定用户兴趣分布变化函数,最后结合兴趣分布变化相对熵和用户特征差异计算用户相似程度并进行项目推荐。实验结果表明,该算法能够有效追踪用户对项目兴趣变化,提高了数据稀疏情况下的推荐精度。
（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。
用户兴趣变化论文参考文献
[1].黄文明,张健.契合用户兴趣变化的评论文本深度建模[J].计算机工程与设计.2019
[2].毕孝儒.融合用户兴趣分布变化和特征差异的协同过滤推荐算法[J].计算机时代.2019
[3].邓应文.适应用户兴趣变化的协同过滤推荐算法研究[D].西北师范大学.2018
[4].董晨露,柯新生.基于用户兴趣变化和评论的协同过滤算法研究[J].计算机科学.2018
[5].陈海龙,谢晟,薛宇彤.用户兴趣变化和类别关联度的混合推荐算法[J].计算机应用研究.2019
[6].赵春秀.基于用户兴趣变化和排序的个性化推荐[D].大连海事大学.2017
[7].张力鹏.基于用户兴趣变化的高校图书馆个性化图书推荐技术的研究与实现[D].辽宁大学.2017
[8].邓娟.用户兴趣变化下的协同过滤最优推荐仿真[J].计算机仿真.2016
[9].胡伟健,滕飞,李灵芳,王欢.适应用户兴趣变化的改进型协同过滤算法[J].计算机应用.2016
[10].胡伟健,陈俊,李灵芳,何盛国.结合用户特征和兴趣变化的组推荐系统算法研究[J].软件导刊.2016