导读:本文包含了兴趣漂移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,协同过滤,用户信任,遗忘函数
兴趣漂移论文文献综述
王维,高岭,高全力[1]（2019）在《融合用户信任和用户兴趣漂移的协同过滤算法》一文中研究指出针对现有的协同过滤算法推荐质量不高,提出了融合用户信任和用户兴趣的协同过滤算法CF-BI.首先根据用户历史评分矩阵,充分考虑用户偏好相似性、用户影响力和打分专业性等影响因子,提出综合用户偏好相似度和用户信誉度的信任模型;然后采用融入艾宾浩斯遗忘函数的Pearson相关系数计算用户间的兴趣相似度,通过加权融合获取用户信任与用户兴趣间的关联关系,以获取更加准确的最近邻居,并对目标用户采用Top-N算法进行推荐.在真实数据集MovieLens上的仿真实验结果表明,该算法的平均绝对误差比传统的协同过滤算法提升了16.98%,有效提高了推荐质量.(本文来源于《微电子学与计算机》期刊2019年07期）
石磊,丁鑫,陶永才,卫琳[2]（2019）在《一种检测兴趣漂移的元路径推荐模型》一文中研究指出推荐系统向用户推荐个性化的产品或服务.传统的推荐系统研究中,用户兴趣被认为是稳定不变的,而事实上,因为各种因素的影响,用户兴趣会发生改变,称为用户兴趣漂移.如何跟踪用户兴趣漂移,是提高推荐系统准确率的关键,也是近年来推荐系统的研究热点.本文设计一种兴趣漂移检测方法,从项目的内容信息和协同信息两个角度构建用户的兴趣特征向量,检测用户兴趣漂移;然后依据兴趣漂移构建加权的用户-项目异构图;最后引入元路径来描述用户-项目异构图中不同类型节点间的关联关系,寻找与用户有较大关联度的项目推荐给用户.本文在MovieLens数据集上对该模型进行了验证,较BPIR算法,推荐准确度提高了3. 02%.(本文来源于《小型微型计算机系统》期刊2019年03期）
连锲[3]（2018）在《高校图书馆图书推荐系统研究——基于兴趣漂移理论和协同过滤算法》一文中研究指出高校图书馆馆藏资源日益丰富,传统的图书检索功能已经无法满足读者的需求,主动推送所需资源是提高图书馆服务质量的重要途径。文章根据读者的专业、年级等特点,根据兴趣漂移理论,设计了一个符合高校读者借阅行为的兴趣模型,利用遗忘曲线来动态调整模型中项目和项目权重,解决了读者兴趣的更新和存储。实验表明,这种建模方法能提供较为精确的读者兴趣描述,将其与协同过滤算法相结合可以产生较为准确的图书项目推荐。(本文来源于《中国教育信息化》期刊2018年10期）
李骁[4]（2018）在《基于消费数据与兴趣漂移的超市布局方法研究》一文中研究指出近年来,随着国家的不断发展,国民经济水平也不断提高。在人民生活变得越来越丰富多彩的同时,精神与物质上的需求也在发生变化。其中,大型超市的存在使人们的日常生活锦上添花并占据着重要地位。大型超市中包含了各式各样的商品可供消费者选择,这在给消费者带来便利的同时也产生了一些困扰。复杂的超市布局及大量商品的不合理摆放会让消费者在购物时感到茫然。仅仅依靠丰富的商品去迎合消费者已经适应不了现代快节奏的生活。超市应该根据消费者的多方面需求制定合理的商品布局,为消费者提供良好的购物体验。本文旨在设计出最优超市商品布局,从时间方面满足消费者,从而提升购物体验。最优布局是一个困难的组合优化问题。本文主要通过超市空间环境建模、超市商品布局初步规划以及超市商品布局优化叁个方面的设计来解决该问题。在对超市的室内空间环境进行详细分析后,结合超市商品摆放特点,对空间进行离散化建模,生成节点和无向边表示的平面图。在已有超市消费者历史购物数据的基础上,按照商品属性进行种类区分,并将这些商品与其对应的商品种类区域进行一一映射,然后利用超市商品布局规划启发式算法生成消费者快速完成购物的近似最优布局。超市商品布局优化是在得到近似最优布局的基础上引入关联挖掘技术和兴趣漂移理念来实现。首先,根据消费者的历史购物信息,利用关联规则等挖掘方法挖掘出消费者购物偏好;然后利用其购物偏好实现超市商品布局的进一步优化。与此同时,为了使设计出的布局更好的满足消费者的购物偏好,本文构造消费者购物偏好是否发生漂移的检测策略,实现对超市布局进行定期优化,给消费者带来意外的惊喜。最后通过实验结果显示,本文提出的方法是有效的和可靠的,能够成功实现对超市商品布局的合理规划。(本文来源于《西南石油大学》期刊2018-04-01）
王科[5]（2017）在《基于兴趣漂移协同过滤算法的推荐系统研究与实现》一文中研究指出随着科技的快速发展,互联网中的数据正在进爆炸性的增长。当下如何在庞大的数据中,准确并迅速的找到用户所需要的有用信息,成为研究推荐领域的焦点。用户获得有价值信息的两个基本的途径是用户的手动的搜索和系统的个性化推荐,在对于某些领域,需要比较智能性方式为用户推荐想要的信息。本文主要研究内容如下:(1)提出基于显式与隐式兴趣漂移检测模型,并进行兴趣漂移。由于用户的兴趣会随着时间推移而改变,因此,通过显式兴趣漂移检测模型对其检测,并利用隐式进行兴趣修正。本文提出五种兴趣模型,利用其相关属性值及关联密集度增量对其进行模式匹配,得到用户兴趣序列。对该序列利用指数遗忘函数进行隐式兴趣修正,进而得到用户真正的兴趣。实验结果表明,显式兴趣漂模型对其用户兴趣的判别准确率及召回率达到了88.23%~90.96%和87.43%~89.54%,能够准确地捕获到用户当前的兴趣。(2)设计了基于显式与隐式兴趣漂移检测模型的协同过滤算法。针对协同过滤算法推荐准确度低的问题,采用属性相似度与评分相似度加权得到新的相似度,利用基于项目的协同过滤算法,通过显隐式兴趣漂移检测模型得到用户当前兴趣,并进行相关项目的推荐。实验结果表明,本文算法与传统的协同过滤算法相比较,平均绝对偏差MAE值降低了3.41%,说明了与传统协同过滤算法相比,对用户兴趣的检测以及混合相似度的计算能够提高算法对其用户的推荐准确率。(3)电影推荐系统的实现。通过利用本文提出的关键算法对该系统进行模块化分析设计与实现。系统利用SSH框架进行后台开发,该平台提供了用户电影的相关推荐,以及用户对浏览项目进行评分等功能。(本文来源于《西北农林科技大学》期刊2017-05-01）
吕学强,王腾,李雪伟,董志安[6]（2018）在《基于内容和兴趣漂移模型的电影推荐算法研究》一文中研究指出针对基于内容的推荐算法中,内容相似度计算精度低、用户兴趣漂移等问题,提出一种结合影评内容相似度和长短期兴趣模型来计算电影相似度的推荐方法。算法利用TextRank、Word2Vec等技术和模型对影评进行关键词抽取和词向量构建,同时基于Word2Vec训练结果进行电影内容相似度计算,一定程度上解决了近义词、网络词等带来的准确率下降问题;然后基于长短期兴趣漂移模型,统计用户对不同内容属性的偏好权重,并随时间窗口动态计算电影相似度矩阵,缓解了用户兴趣随时间漂移而改的问题;最后根据不同推荐策略获得推荐结果。实验结果证明,该算法比对比方法正确率提高了5%左右,同时兴趣模型提取了用户长短期兴趣标签,在工业界及基于标签的算法等场景中都具有很高的实用价值。(本文来源于《计算机应用研究》期刊2018年03期）
刘亚囡[7]（2016）在《基于用户兴趣漂移和兴趣传播的协同过滤推荐算法》一文中研究指出随着互联网的发展和普及,信息数量成爆炸式增长。海量信息在丰富人们生活的同时,也为信息的查寻带来挑战。个性化推荐系统应运而生。其中,协同过滤是最经典的推荐技术,它默认用户的兴趣是稳定的,即用户兴趣不会发生变化。然而在现实生活中,受自身或外界等各种因素的影响,用户的兴趣是不稳定的,存在兴趣漂移现象。另外,用户在交互过程中会彼此之间相互影响,即兴趣会在用户间传播。本文在对传统协同过滤算法深入研究的基础上,总结分析了前人已取得研究成果的缺点和不足,从兴趣漂移和兴趣传播两个方面入手,主要做了以下工作:首先,针对用户兴趣漂移问题,提出了一种基于不同项目类型访问时间分散度的漂移检测算法。该算法根据项目自身属性计算相似度构建项目簇,依据用户历史访问项目所属项目簇的比例大小来识别单兴趣和噪声用户,根据不同项目访问时间的分散度来识别多兴趣和兴趣漂移用户,并最终得到用户的最新、最近兴趣。对数据集做此预处理,即避免了噪声用户数据对系统的干扰,也在一定程度上降低了数据维度,缩减了计算量。其次,针对用户间的兴趣传播问题,提出了一种基于仿射传播的模糊C-均值聚类算法。该算法借用仿射传播(AP)聚类的消息传递思想,将兴趣传播问题转化为用户间的吸引度和归属度问题。在协同过滤推荐中,模糊C-均值(FCM)聚类是一种常用的数据处理方法,其中心点的选择直接影响着聚类结果的好坏。将AP聚类所得到的聚类中心作为FCM聚类的初始中心,这样即考虑到了兴趣传播问题,也提高了聚类的质量和稳定性。最后,将提出的两种算法进行组合推荐,提出了基于用户兴趣漂移和兴趣传播的协同过滤推荐算法。本文在Movielens数据集上分别对基于不同项目类型访问时间分散度的兴趣漂移检测算法、基于仿射传播的模糊C-均值聚类算法、基于用户兴趣漂移和兴趣传播的协同过滤推荐算法以及传统的协同过滤推荐算法进行实验对比验证。结果表明,本文提出的算法有更高的准确性,能有效提高系统的推荐质量。(本文来源于《中国石油大学(华东)》期刊2016-06-01）
王夏阳[8]（2016）在《基于关联分析的用户兴趣漂移挖掘算法研究》一文中研究指出随着“大数据”时代的到来,人们被淹没在海量的数据中难以找到真正需求的信息,推荐系统能利用用户的历史消费记录挖掘用户的潜在兴趣进而向其推送有用的信息或商品,成为当下缓解“数据过载”的有效方法。但是传统推荐方法普遍存在叁个问题:1、“数据稀疏性”问题:一个真实的网站中用户消费历史往往较少,难以准确体现出用户的真实兴趣;2、用户兴趣变化难以捕获:用户的兴趣会随着消费上下文环境的变化而变化,传统推荐算法都基于用户兴趣稳定的假设,无法准确获取用户的此种兴趣变化;3、推荐“过拟合”问题:推荐系统往往倾向于推荐类似的商品给用户。本文旨在解决上述推荐系统普遍存在的叁个问题,做了以下方面的研究。第一,针对“数据稀疏性”问题,建立基于用户关联的数据填充模型。首先,利用评分信息挖掘用户之间相同的偏好并建立关联用户组;其次,根据关联用户组占有度和关联度筛选出强用户关联组;最后,对用户的消费历史进行等时间划分,利用强用户关联组完成对数据稀疏的时间段的填充。第二,针对用户兴趣变化难以捕获的问题,建立用户兴趣漂移模型。首先,利用Latent Dirichlet Allocation(LDA)对用户的每一段时间内的消费历史进行概率主题抽取;其次,结合时间衰减函数建立用户兴趣漂移模型;最后,预测用户下阶段可能的兴趣并进行项目推荐。第叁,针对推荐结果“过拟合”问题,建立用户兴趣扩展模型。首先,建立用户之间的时序关联图,利用随机游走算法挖掘用户之间的相互影响关系,获得对目标用户影响最大的近邻集合;其次,利用同样方法挖掘项目之间的相互影响关系;最后,结合基于用户的协同过滤算法和项目影响权重进行项目推荐。实验表明:为解决上述叁个问题,本文提出的算法能够更好更好发现用户的潜在兴趣,推荐给用户真正需要的信息和商品。(本文来源于《中国民航大学》期刊2016-04-24）
孙光明,王硕[9]（2015）在《满足用户兴趣漂移的计算自适应快速推荐算法》一文中研究指出针对推荐算法未考虑大数据量计算导致系统性能差及基于历史评分的相似性不能反映用户兴趣动态变化的问题,提出了满足用户兴趣漂移的计算自适应快速推荐算法。该算法依据CPU等计算资源使用率动态调整待推荐用户窗口,并按项目类别及其访问热度动态分配计算时间,计算自适应项目与目标用户的优先级和相似性计算难易度,提高计算效率与响应速度;建立访问次数随时间变化的兴趣度量函数自适应用户兴趣漂移,提高推荐质量。实验结果表明,算法速度更快、推荐更准确、用户体验更好。(本文来源于《计算机应用研究》期刊2015年09期）
叶红云,倪志伟,倪丽萍[10]（2012）在《一种检测兴趣漂移的图结构推荐系统》一文中研究指出协同过滤是构造推荐系统最有效的方法之一.其中,基于图结构推荐方法成为近来协同过滤的研究热点.基于图结构的方法视用户和项为图的结点,并利用图理论去计算用户和项之间的相似度.尽管人们对图结构推荐系统开展了很多的研究和应用,然而这些研究都认为用户的兴趣是保持不变的,所以不能够根据用户兴趣的相关变化做出合理推荐.本文提出一种新的可以检测用户兴趣漂移的图结构推荐系统.首先,设计了一个新的兴趣漂移检测方法,它可以有效地检测出用户兴趣在何时发生了哪种变化.其次,根据用户的兴趣序列,对评分项进行加权并构造用户特征向量.最后,整合二部投影与随机游走进行项推荐.在标准数据集MovieLens上的测试表明算法优于两个图结构推荐方法和一个评分时间加权的协同过滤方法.(本文来源于《小型微型计算机系统》期刊2012年04期）
兴趣漂移论文开题报告
（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：
推荐系统向用户推荐个性化的产品或服务.传统的推荐系统研究中,用户兴趣被认为是稳定不变的,而事实上,因为各种因素的影响,用户兴趣会发生改变,称为用户兴趣漂移.如何跟踪用户兴趣漂移,是提高推荐系统准确率的关键,也是近年来推荐系统的研究热点.本文设计一种兴趣漂移检测方法,从项目的内容信息和协同信息两个角度构建用户的兴趣特征向量,检测用户兴趣漂移;然后依据兴趣漂移构建加权的用户-项目异构图;最后引入元路径来描述用户-项目异构图中不同类型节点间的关联关系,寻找与用户有较大关联度的项目推荐给用户.本文在MovieLens数据集上对该模型进行了验证,较BPIR算法,推荐准确度提高了3. 02%.
（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。
兴趣漂移论文参考文献
[1].王维,高岭,高全力.融合用户信任和用户兴趣漂移的协同过滤算法[J].微电子学与计算机.2019
[2].石磊,丁鑫,陶永才,卫琳.一种检测兴趣漂移的元路径推荐模型[J].小型微型计算机系统.2019
[3].连锲.高校图书馆图书推荐系统研究——基于兴趣漂移理论和协同过滤算法[J].中国教育信息化.2018
[4].李骁.基于消费数据与兴趣漂移的超市布局方法研究[D].西南石油大学.2018
[5].王科.基于兴趣漂移协同过滤算法的推荐系统研究与实现[D].西北农林科技大学.2017
[6].吕学强,王腾,李雪伟,董志安.基于内容和兴趣漂移模型的电影推荐算法研究[J].计算机应用研究.2018
[7].刘亚囡.基于用户兴趣漂移和兴趣传播的协同过滤推荐算法[D].中国石油大学(华东).2016
[8].王夏阳.基于关联分析的用户兴趣漂移挖掘算法研究[D].中国民航大学.2016
[9].孙光明,王硕.满足用户兴趣漂移的计算自适应快速推荐算法[J].计算机应用研究.2015
[10].叶红云,倪志伟,倪丽萍.一种检测兴趣漂移的图结构推荐系统[J].小型微型计算机系统.2012