导读:本文包含了兴趣特征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:兴趣模型,用户特征,特征向量,Rocchio算法
兴趣特征向量论文文献综述
王翀[1]（2014）在《基于多重特征向量的兴趣模型及其应用》一文中研究指出如今的互联网充斥着海量的信息和数据。对于一个用户来说，要人工地从这些海量信息中过滤出自己感兴趣的内容是不可能完成的任务。为了解决这种问题，推荐系统应运而生。推荐系统能够通过分析用户的喜好向其推荐感兴趣的内容。为了使推荐更加准确，推荐系统需要建立一个兴趣模型来学习用户的偏好或者称为用户特征。一般而言，一个兴趣模型需要解决以下几个问题：1）以何种方式表示用户的兴趣；2）如何精确地描绘用户兴趣的演化，包括原有兴趣的淡化，新兴趣的产生，对长期和短期兴趣的区分等等；3）如何有效地利用用户的反馈来更新用户的兴趣。本论文旨在构建一个兴趣模型，并尝试解决上述问题。本论文的研究成果主要包含两个方面：一是建立了一个基于多重特征向量的兴趣模型；二是改进了Rocchio算法用以更新用户特征。我们在MovieLens数据集上进行了实验。实验结果验证了我们构建的兴趣模型的有效性和实用性。(本文来源于《上海交通大学》期刊2014-01-02）
程艳,许维胜,杨继君,何一文[2]（2009）在《基于本体兴趣特征向量空间模型的社区自组织算法》一文中研究指出为了解决远程教育不可避免地产生的"孤独"学习者的问题,把具有相同学习兴趣的学习者组织到同一个学习社区中进行协作式学习。学习社区建立的重点和难点在于学习者之间相似关系的判定和计算,针对传统的向量空间模型中术语间语义相关性被忽略的不足,提出基于本体的向量空间模型来计算学习者的兴趣特征向量,根据兴趣的隐性表示获取对应的显式表示,此计算模型提高了兴趣相似性比较的精确程度。同时提出了一种基于学习者兴趣相似匹配度和学习者兴趣匹配浓度的学习社区的自组织算法。针对基于本体的向量空间模型使用本体中的概念构造向量空间表现出的巨大维数,运用概念索引降维法对兴趣特征矩阵进行合理降维,大大减少了计算的复杂性。最后,以网络学习案例来进行实验分析,验证该模型算法具有较高的效率和良好的扩展性。(本文来源于《系统工程》期刊2009年05期）
陈悦[3]（2008）在《基于兴趣特征向量的端对端仿真学习社区研究》一文中研究指出为了正确分类远程教育环境中具有相同学习兴趣的学习者,提出了一个基于学习者兴趣特征向量的端对端自适应仿真学习社区构建算法。算法着眼于一个开放的分布式仿真学习环境,在一个端对端的系统框架下,赋予每个学习者一个学习兴趣向量,并通过模拟学习者之间相互推荐学习资料来对学习者进行分组。仿真实验结果表明:经过一段学习者之间关系调整的时间,算法能显着提高学习资源推荐的正确率,提高学习者的满意度。所以,算法很合适应用于远程学习社区的构建。(本文来源于《计算机仿真》期刊2008年08期）
兴趣特征向量论文开题报告
（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：
为了解决远程教育不可避免地产生的"孤独"学习者的问题,把具有相同学习兴趣的学习者组织到同一个学习社区中进行协作式学习。学习社区建立的重点和难点在于学习者之间相似关系的判定和计算,针对传统的向量空间模型中术语间语义相关性被忽略的不足,提出基于本体的向量空间模型来计算学习者的兴趣特征向量,根据兴趣的隐性表示获取对应的显式表示,此计算模型提高了兴趣相似性比较的精确程度。同时提出了一种基于学习者兴趣相似匹配度和学习者兴趣匹配浓度的学习社区的自组织算法。针对基于本体的向量空间模型使用本体中的概念构造向量空间表现出的巨大维数,运用概念索引降维法对兴趣特征矩阵进行合理降维,大大减少了计算的复杂性。最后,以网络学习案例来进行实验分析,验证该模型算法具有较高的效率和良好的扩展性。
（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。
兴趣特征向量论文参考文献
[1].王翀.基于多重特征向量的兴趣模型及其应用[D].上海交通大学.2014
[2].程艳,许维胜,杨继君,何一文.基于本体兴趣特征向量空间模型的社区自组织算法[J].系统工程.2009
[3].陈悦.基于兴趣特征向量的端对端仿真学习社区研究[J].计算机仿真.2008