导读:本文包含了问题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:算法推荐,算法,大数据,人工智能
问题推荐论文文献综述
黄琪[1]（2019）在《算法推荐的法律问题及对策》一文中研究指出算法推荐对个人乃至社会的影响日益明显,在为用户提供便捷、高效、精准的服务时,也引发了诸如隐私保护、公平正义、公序良俗等方面的法律问题。当前的法律体系面对这些问题并没有理想的解决路径。在大数据时代,算法推荐所致问题的解决路径不应是单一的,而应从法律、政策、技术、伦理等多维角度予以考量,以应对新技术的应用对公民权利乃至公共秩序的挑战。(本文来源于《石家庄铁道大学学报(社会科学版)》期刊2019年03期）
薛尧云[2]（2019）在《算法推荐机制下的短视频“过滤气泡”问题研究——以抖音为例》一文中研究指出算法推荐技术能够实现对受众的精准信息投放,解决了信息泛滥的困扰,但同时也带来了一些问题。文章从抖音短视频出发,分析其"过滤气泡"的成因、现象依据、影响及措施,旨在对算法推荐机制下的"过滤气泡"有进一步的理解,形成对抖音更好进行运营管理的启发,在今后的实践中加以运用。(本文来源于《新媒体研究》期刊2019年14期）
常文千,郎鹏,夏永滢,杨悦婷[3]（2019）在《市域短期自驾游最优推荐路线问题》一文中研究指出新常态下,人民生活资料极大丰富,自驾游已成为市民短期出行的选择,一种投入少又带来最大满足的游览路线模型亟须提出。本文把满足感作为效用函数,成本投入作为成本函数,基于自驾游满足感与成本函数边际关系,利用条件约束最优化理论求最大化净满足感。影响市民自驾游出行的因素,基本都在模型中有表现。短期自驾游的最优推荐路线模型是在经济学与数学理论下,以旅行的最大满足而不是最小花费和最短距离为目标建立,提出市民短期自驾出行的模型,有一定的实用价值。(本文来源于《合作经济与科技》期刊2019年15期）
刘天啸[4]（2019）在《大数据背景下新闻推荐系统中的问题以及解决对策》一文中研究指出随着科学技术的发展,人们的生活越来越便捷,对于感兴趣的东西,现代人们也越来越容易获取;但是,在大数据背景下,这一容易的背后却有很多的陷阱。文章以新闻推荐系统为例,介绍了个性化推荐系统中存在的问题,以及根据问题,给出了相应的解决对策。(本文来源于《科技传播》期刊2019年13期）
陈晨,侯景瑞,吴任力,王平[5]（2019）在《基于多源混合标签的社会化问答社区问题推荐方法研究》一文中研究指出【目的/意义】社会化问答社区现已成为网络用户共享、传播及获取知识的重要平台,但其开放性和交互性也给其问题推荐工作带来了巨大的挑战。本文提出的基于多源混合标签的方法能够有效提高社会化问答社区的问题推荐质量,以促使问题得到及时有效地解决。【方法/过程】利用自动标签标注系统从问答文本中提取关键词,将语义扩展后的关键词作为基本标签,并建立多源混合标签库;利用标签表示用户的兴趣偏好与权威度,并建立用户特征模型;最终通过协同过滤的方式进行匹配推荐。【结果/结论】实验结果表明,本文提出的基于多源混合标签的问题推荐方法在检全率、检准率以及F值等指标方面均不同程度地优于基于文本相似度的基准方法。(本文来源于《情报科学》期刊2019年07期）
雷秋雨[6]（2019）在《个性化推荐系统中冷启动问题研究》一文中研究指出近年来,随着大数据、物联网和人工智能等新技术的发展,全球数据量急剧增长。大数据中蕴含的丰富价值与巨大潜力为人类提供便利的同时也带来了信息过载问题。为帮助用户迅速从海量信息中获取有价值的信息,个性化推荐系统应运而生。然而随着推荐系统中用户规模及项目规模的迅速增长,用户项目评分矩阵越发稀疏,导致传统的协同过滤推荐算法的推荐精度降低。当有新用户或者新项目加入到系统中时,由于缺乏对应历史评分信息,无法对其进行推荐,此时推荐系统将产生冷启动问题,影响用户体验。本文分析了冷启动问题产生的原因,通过知识图谱将丰富的项目语义信息引入到推荐系统中,并融合项目空间模型和随机游走的策略更好地计算项目相似度,从而提高推荐结果的准确性。本文的主要工作包括:(1)通过分析领域知识图谱构建技术,设计并实现了一种基于链接开放数据(LOD)的电影领域知识图谱构建方法。本文对电影领域相关知识进行分析研究,提取出电影领域的知识本体类及实体间的关系,据此在链接开放数据中查找生成对应叁元组,完成知识图谱的构建,并利用图数据库对知识进行存储,实现知识图谱可视化。(2)提出了一种基于领域知识图谱将向量空间模型和随机游走策略相结合的相似度优化算法(VSM-RW算法)来解决冷启动问题。在知识图谱中,利用向量空间模型计算项目相似度,并将此作为项目间边的权值,构造转移概率矩阵。然后通过随机游走进一步传递项目间的相似关系,迭代得到更精确的相似度,从而为目标项目找到更准确的相似项目。该方法不需要历史评分信息,通过知识图谱将丰富的语义信息添加到推荐系统中,每个项目都能够计算得到与其他项目的相似度,缓解了冷启动问题对推荐系统的影响。实验结果表明,该算法相较于ItemCF、BPMF、和SVDpp算法均有一定的性能提升。(3)将传统协同过滤推荐算法中使用用户-项目评分矩阵计算相似性的方法与VSM-RW算法相融合,结合用户角度刻画项目相似性,提升推荐结果准确性。(本文来源于《北京交通大学》期刊2019-07-01）
董芷艺,谢章伟,崔展齐[7]（2019）在《基于开发者模型的问题修复者推荐方法》一文中研究指出针对开源软件社区Github中大量问题(Issue)得不到及时解决的情况,为了加快项目开发进程,提出了一种基于问题相似度和多特征开发者模型的Github问题修复者推荐方法。首先,基于问题相似度筛选出待解决问题的候选修复者;然后,通过包含社区影响力和社区贡献度的社交属性,以及包含项目技术能力和项目贡献度的技术属性对开发者进行建模;最后,根据开发者模型与问题的匹配度对候选修复者进行排序,以推荐合适的问题修复者。在Github中3个大型开源项目上进行的实验结果表明,采用此方法能有效推荐问题修复者,所推荐的前5名开发者中包含问题实际修复者的准确度达41. 67%。(本文来源于《北京信息科技大学学报(自然科学版)》期刊2019年03期）
陆国浩[8]（2019）在《基于群体化的开源软件推荐问题研究》一文中研究指出利用因子分解机(Factorization Machines,FM)模型,提出了一种在群体参与平台上对开源软件的推荐方法。通过抽取开源软件的文字、代码和标签等特征信息加入模型中训练,以机器学习的结果完成推荐。利用码云网站实例分析开发者对开源软件的行为,建立开发者对开源软件感兴趣评级,并生成使用者与开源软件的关系矩阵作为学习目标。实验表明,与传统的推荐方法协同过滤相比,所提出的方法在平均精确均值(Mean Average Precision, MAP)、召回率(Recall)与F1分数(F1 Score)叁个评估下都有较优秀的表现。(本文来源于《沙洲职业工学院学报》期刊2019年02期）
赵永标,张其林,谷琼[9]（2019）在《社区问答系统中基于当前兴趣的问题推荐研究》一文中研究指出社区问答系统作为一种新兴的知识分享平台,在帮助用户获取有用信息方面取得了相当大的成功。将用户提出的问题推荐给感兴趣的回答者依然是社区问答平台面临的一个问题。针对兴趣度,已提出了多个表示模型,但这些模型没有考虑兴趣的时间维度。本文提出用TOT主题模型建立备选回答者兴趣的动态变化模型,找出备选回答者的当前兴趣,然后进行问题推荐。实验表明本文提出的方法是有效的。(本文来源于《现代信息科技》期刊2019年11期）
王梦晗[10]（2019）在《推荐系统中数据缺失问题的研究》一文中研究指出随着互联网的普及和数据储存容量的扩张,大量的网络资源充斥在人们的身边。与此同时,信息爆炸也带来如何选择的难题,人们的精力有限很难轻易的找到他们感兴趣的物品。在这样的情况下,推荐系统应运而生。推荐系统向用户提供建议和推荐物品,能帮助用户选择物品和服务,为用户决策提供辅助。目前,推荐系统受到了学术界和工业界的许多关注。而数据缺失问题则是推荐系统所面临的共同的严峻挑战之一。推荐系统的训练数据中用户只和极小一部分物品有互动,导致大部分用户物品对应的喜好评分是缺失的,这又被称为稀疏性问题。此外,推荐系统还存在一个冷启动问题,它指的是新加入系统的新用户或新物品,因为缺乏交互数据而无法被推荐系统学习建模。这两个问题的本质都是数据缺失问题。现有的推荐系统主要通过利用辅助信息来减少数据缺失带来的不利并更好地学习用户和物品特征。已有的研究主要聚焦于研究某一类信息对推荐效果的提升,如何有效地把多种信息聚合起来达到更好的效果个难题,十分值得研究。另一方面,利用社交信息来缓解数据缺失性的算法研究中,大多数工作都是假设社交关系相连的用户之间有相似的喜好。然而这样的假设在目前蓬勃发展的互联网社交网络中并不适用,人们的社交动机也是各式各样。我们需要一个更合理的假设在推荐系统中利用社交信息。除此之外,隐式反馈数据因为数据量大获取代价低而广泛被作为推荐系统的输入信息。但是隐式反馈的数据含义有模糊性。而用户没接触过的记录本质是个数据缺失的问题,背后的数据缺失机制是动态的且是非随机的。目前已有的研究都是专注于静态的缺失机制,而这些机制不适用于目前发展迅速的推荐系统的需求。本文针对上述的目前数据缺失在推荐系统中所面临的叁个问题,提出了叁种解决方案。主要工作涉及以下几个方面。·为了充分利用各种文本信息提升系统性能,我们提出了基于多源文本信息的物品标签联合推荐框架。针对目前的推荐算法专注于一个推荐场景和利用一种文本来源的特点,本文提出了一个可解释的物品标签联合推荐框架(名为EXPLORE)来解决数据缺失问题。共同推荐指的是在推荐物品的时为这些物品推荐相应的标签。EXPLORE利用了叁种文本资源(用户兴趣,物品描述内容和物品标签)来学习用户和物品的特征描述。多源的文本信息能更多维度地展现用户和物品特征,能更好地缓解因为数据缺失而不能很好地特征学习的问题。在评价标签推荐的性能时,我们可以根据推荐物品对物品进行重要性排序,使得曝光度高的物品的标签推荐准确度占有更大的权重。因此推荐评价指标可以更加贴近现实。·为了利用含有噪音的社交信息来缓解数据缺失问题,提出基于社交曝光度的协同过滤框架。针对目前社交推荐中好友之间喜好相似的假设不符合现实状况的特点,本文提出了一个新颖的社交推荐框架(名为SERec),它能够利用社交信息缓解评分数据的缺失和隐式反馈的二义性,并大幅度地提升推荐效果。我们提出一个新的假设:用户从好友之间得到对物品的信息,好友之间对物品有相似的曝光度。SERec在用计算用户对物品的曝光度后,用协同过滤的方法学习用户喜好并进行物品推荐。此外我们提出了 2个实现模型,一个名为social regularization,社交信息作为一种曝光度的约束条件。另一种名为social boosting,社交信息是用对好友曝光度的加强提升。SERec.将社交信息用于计算曝光度而不是用户喜好,更贴近现实场景,模型在四个现实数据集中的实验显示SERec相比于传统的推荐模型有较大的性能提升。·为了解决隐式反馈数据的动态缺失问题,提出基于隐马尔科夫链和矩阵分解的动态物品推荐框架。针对推荐场景中数据非随机缺失且有目前已有研究专注于静态缺失机制的情况,本文设计了一个模拟隐式反馈的动态缺失机制,提出一个基于隐马尔科夫链和矩阵分解的动态物品推荐框架(名为H4MF)。其中隐马尔科夫链用于计算用户意图和对应的曝光度,矩阵分解技术用于计算用户的喜好,最终的推荐结果由用户意图和用户喜好共同决定。此外,本文还提出了 2种约束方式来更紧凑合理地表达用户意图,并且能提供更强的解释性。在流行的数据集上的实验结果显示,H4MF在推荐指标上相比于已有的推荐模型有很大的提升。同时,隐马尔科夫链和矩阵分解是两个常用的技术,他们低耦合的设计使得H4MF有很强的可扩展性。(本文来源于《浙江大学》期刊2019-06-04）
问题推荐论文开题报告
（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：
算法推荐技术能够实现对受众的精准信息投放,解决了信息泛滥的困扰,但同时也带来了一些问题。文章从抖音短视频出发,分析其"过滤气泡"的成因、现象依据、影响及措施,旨在对算法推荐机制下的"过滤气泡"有进一步的理解,形成对抖音更好进行运营管理的启发,在今后的实践中加以运用。
（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。
问题推荐论文参考文献
[1].黄琪.算法推荐的法律问题及对策[J].石家庄铁道大学学报(社会科学版).2019
[2].薛尧云.算法推荐机制下的短视频“过滤气泡”问题研究——以抖音为例[J].新媒体研究.2019
[3].常文千,郎鹏,夏永滢,杨悦婷.市域短期自驾游最优推荐路线问题[J].合作经济与科技.2019
[4].刘天啸.大数据背景下新闻推荐系统中的问题以及解决对策[J].科技传播.2019
[5].陈晨,侯景瑞,吴任力,王平.基于多源混合标签的社会化问答社区问题推荐方法研究[J].情报科学.2019
[6].雷秋雨.个性化推荐系统中冷启动问题研究[D].北京交通大学.2019
[7].董芷艺,谢章伟,崔展齐.基于开发者模型的问题修复者推荐方法[J].北京信息科技大学学报(自然科学版).2019
[8].陆国浩.基于群体化的开源软件推荐问题研究[J].沙洲职业工学院学报.2019
[9].赵永标,张其林,谷琼.社区问答系统中基于当前兴趣的问题推荐研究[J].现代信息科技.2019
[10].王梦晗.推荐系统中数据缺失问题的研究[D].浙江大学.2019