导读:本文包含了成对模型论文开题报告文献综述及选题提纲参考文献，主要关键词:物品推荐,成对排序,协同过滤,隐式反馈
成对模型论文文献综述
吴宾,陈允,孙中川,叶阳东[1]（2019）在《联合成对排序的物品推荐模型》一文中研究指出现有的推荐模型大多仅从用户角度进行建模,忽略了物品的功能关系对用户购买决策的影响。从用户和物品这2个角度,同时考虑用户–物品之间的交互关系和物品–物品之间的功能关系,提出了联合成对排序的推荐模型。考虑正样本的排名位置和负采样策略直接影响模型收敛速度,构建一种排序感知的学习算法,用于求解所提模型的参数。实验结果表明,与当前主流推荐算法相比,该算法在多个评价指标上具有明显的性能优势。(本文来源于《通信学报》期刊2019年09期）
何娟,范雄智,郝春[2]（2018）在《成对数据的主客体互依模型在MPLUS中的实现》一文中研究指出目的在介绍主客体互依模型(Actor-partner interdependence model,APIM)基本思想的基础上,提供构建APIM的MPLUS语句,为AIPM理论在实际研究中的运用奠定基础。方法介绍APIM模型的基本思想及数据格式,运用MPLUS软件进行可区分的成对数据(Distinguishable data)和不可区分的成对数据(Indistinguishable data)的APIM构建。结果对于可区分的成对数据,MPLUS软件能提供简单实用的结构方程模型构建语句,而对于不可区分的成对数据,MPLUS软件在构建结构方程模型的过程中需要限定对子中两成员的6对参数相等。结论结构方程模型是实现可区分的成对数据APIM的最简单方法,也是不可区分的成对数据APIM的准确估计方式,MPLUS则提供了构建结构方程的简洁语句。(本文来源于《现代预防医学》期刊2018年03期）
王帅,陈师哲,金琴[3]（2017）在《基于多模态融合与成对排序模型的视频兴趣度预测》一文中研究指出视频兴趣度预测有着广泛的应用前景,比如提高视频检索和视频推荐的性能。由于每个人的喜好不同,想要找到通用的兴趣度准则是十分困难的。在本文中,我们构建了基于多模态特征融合和成对排序模型学习的预测系统。系统能利用视频中的听觉和视觉信息,并且模型的训练模拟人的评判过程,从而能够利用数据之间丰富的信息使兴趣度预测更加可靠。通过在MediaEval 2016兴趣度预测比赛数据集上的实验比较,我们提出的预测系统可以更好的利用数据和标签并超越分类或回归的基线系统。(本文来源于《第十四届全国人机语音通讯学术会议（NCMMSC’2017）论文集》期刊2017-10-11）
陈淇[4]（2017）在《重农抑商与官商经济成对出现的模型揭示》一文中研究指出在人类历史进程中的漫长的封建社会时期,曾经出现过"重农抑商"和"官商经济"成对出现的特殊现象,引起众多学者对这特殊现象的研究。研究聚焦于两个方面:一是对"商"的争论,究竟是"抑"还是"重"?迄今尚无定论;二是为何不选择经济效率更优的"私商经济",而要选择经济效率较差的"官商经济",这种困惑尚未得到合理的解释。讨论"抑商"时,无一例外的都涉足到当时的商人把盈利用于购置土地,却从未涉足私商为何不把盈利用于"商经济"的投资。言及"重商"时,一个绕不过去的问题是——既然"抑商",为何又要兴办"官商",这岂不是"重商"的行为吗?如若从"投资经济"的视角出发,既然"私商"不愿意投资"商经济",那么为何不允许"官商"进行投资呢,"官商经济"的存在,至少可以使"商经济"得到维持并发展,并且不会用盈利去购置土地。在讨论低效率的"官商经济"时,无一例外的也都涉及到当时政权运行中出现的"财政饥渴"。我们知道,政权运行所需费用来源于税赋,若税赋不足,还可设置"专卖"制度予以补充。当我们无法解开为何选择低效率的"官商经济"的困惑时,把"官商经济"用于解决"财政饥渴",不失为一个看是合理的解释。本文继续选择基于供需平衡原理而建立起来的数学模型,对"重农抑商"和"官商经济"成对出现的现象进行诠释。研究方法是选择"资源"和"制度"两个视角,从数学模型中分解出"公产权"、"私产权"、"经济活动"、"经济方式"、"经济投资"、"经济劳动"和"政权劳动"等函数表述,然后以制度排序和劳动时序建立起各函数之间的关联关系,得到以下结论。第一、"重农抑商"和"官商经济"均发生在以农业经济为主要经济方式的封建社会时期,由此解释了这两种现象为何成对出现;第二、"政权劳动"的函数揭示,"财政饥渴"现象仅发生在封建社会时期;第叁、"经济投资"函数中的"资本投资"子函数指出,在封建社会时期,"私产权"资本是不会进行"资本投资"的,这就解释了私商盈利为何用来购置土地的现象,同时也揭示只有"公产权"资本才会用于"资本投资";第四、"经济投资"函数中的"制度投资"子函数揭示,产权经济的发展,遵循"公产权→私产权→公产权→私产权→公产权"的演变规律,"官商经济"是这个演变规律中的一个环节,与"财政饥渴"现象无任何关联;第五、进一步地,结合"经济方式"函数,厘清封建社会时期的"商经济",其实就是基于非再生资源的"工业经济"。(本文来源于《中国科学技术大学》期刊2017-05-01）
李丹[5]（2017）在《基于Bradley-Terry模型的成对比较数据分析与应用》一文中研究指出Bradley-Terry模型是成对比较法中的一种非常重要的模型之一.自从Bradley-Terry模型被提出后,不同方向的研究者开始应用此模型解决成对数据分析问题.目前,该模型在成对数据评估与应用方面起着举足轻重的作用.本文基于Bradley-Terry模型对2015~2016赛季中国男子篮球职业联赛数据进行分析,得到了20支参赛球队的实力指数估计值,以及影响球队实力指数的各项技术指标因素.又基于扩展Bradley-Terry模型对2015赛季中国足球协会超级联赛的数据进行分析,得到了16支球队参赛球队的实力指数及影响球队实力指数的各项技术指标因素.结果显示,在中国男子篮球职业联赛中,投篮命中率、篮板球、助攻对球队实力影响效果显着.在中国足球超级联赛中,射正球门次数、角球数、控球率对球队实力有显着影响.本文采用基本Bradley-Terry模型对图书情报专业的18种期刊2000~2015年间互引数据进行了研究,得到了18种期刊的影响力估计值,统计并分析了影响期刊学术影响力的评价指标以及期刊影响力的动态变化趋势.结果表明,不同指标对期刊学术地位有着不同的影响.各期刊的学术水平随时间的变化而变化.文章基于Bradley-Terry模型对两项体育赛事和图书馆情报专业期刊互引数据进行分析,并结合R语言软件计算结果.这些数据结果的分析为今后预测体育赛事和提高球队的技战术水平提供依据,也为广大研究学者提供了发表科研成果和学术交流的平台.(本文来源于《辽宁师范大学》期刊2017-04-01）
胡月,沈永良[6]（2016）在《深度学习模型与成对分类相结合的人脸识别新算法》一文中研究指出针对深度学习人脸识别系统样本数据中存在干扰时会腐化分类边界,导致识别率下降,提出了一种改进的深度学习模型,将成对分类概念引入到深度学习中,提升人脸识别系统对于噪声、腐化、变化的鲁棒性。采用深度信念网络模型,将人脸图像送入深度学习模型中逐层训练网络,在参数微调阶段采用改进的成对BP神经网络进行参数优化,在输出层与前一隐含层之间采用成对连接。在ORL、Extended Yale-B的实验结果表明,所提算法与传统的深度学习算法相比,构造的系统更稳定,算法识别率更高,系统在存在干扰的人脸图像中鲁棒性更强。(本文来源于《黑龙江大学工程学报》期刊2016年03期）
宋晓娟,刘红云[7]（2016）在《成对比较数据和排序数据的处理:模型分析的方法》一文中研究指出对近年来研究者所提出的瑟斯顿模型和BTL模型两大类模型进行综述,总结了目前研究者提出的2种数据分析和处理方法视角:多层线性模型(HLM)和结构方程模型(SEM).基于模型的方法不仅充分利用了成对比较和排序数据的信息,而且模型更具拓展性,如为考察协变量、潜类别等的影响提供可能,也为迫选测验等的开发提供指导意义.本文不涉及复杂的统计知识,运用心理学研究中被熟知的模型对处理成对比较数据和排序数据的模型及其模型估计进行说明,并通过Mplus软件示例,以期模型分析的方法在对成对比较数据和排序数据的处理上得到广泛的应用.(本文来源于《北京师范大学学报(自然科学版)》期刊2016年04期）
阿玛娜（Amna,Nazeer）[8]（2015）在《扩展的成对比较模型的贝叶斯分析》一文中研究指出多种心理竞争的成对特性,使得比较试验在实际应用中广泛存在。Bradley和Terry (1952)提出了一个非常简单但被广泛应用的成对比较模型,该模型的缺点是无法处理有节(tie)的响应变量以及没有反应成对比较效果的有序性(order)。为此,一些学者在Bradley和Terry模型的基础上进行拓广,其中应用较广的是Barren (1978)的推广。他通过对Bradley和Terry成对模型的不同参数进行修正,提出了六种被广泛应用的模型。本文基于Barren提出的若干成对比较模型,通过Bayes统计推断方法分析了若干真实数据。首先,基于Barren的模型Ⅲ和Ⅳ,我们分析了叁种食品包装的受欢迎程度。我们采用均匀先验和Jeffreys先验。由于模型的复杂性,我们无法直接得到参数的后验估计,为此,我们利用Gibbs抽样对数值积分进行逼近,从而得到参数的Bayes估计。虽然,由这两种计算方法得到的结果很相似。可以得到后验边际密度的图像,并且从图像上看,在后验估计附近遵循对称模式。得到后验均值、标准差和变量系数,并且比较了两个模型。将第二种食品配料放在最上面,接着为第一种和第叁种配料。这两种模型是一致的,但基于变量系数的结果,模型Ⅲ表现得稍微好一点。对两个模型下的两个先验分布产生的结果是一致的。对更进一步分析,运用其中一个模型和其中一个先验分布都可以。Baaren配对比较模型名为模型Ⅰ、模型Ⅳ和模型Ⅵ的叁个拓展有了更深入的修正。忽略内部成对顺序的影响,原始模型包括了关联参数伴随着价值参数。研究项目实际上无区别,即很相似,且有时志愿者不能区分定义的项目,这些情形在成对比较模型实验中可能发生。我们考虑了这种情形,并且在原始模型中的关联参数可分成真正的关联影响和模糊的关联影响。这叁种修正的成对比较模型可通过运用一致先验分布贝叶斯分析方法得到。基于模型Ⅲ的参数估计略好于基于Ⅳ的估计。这也说明模型Ⅲ和Ⅳ以及两类先验对分析结果的影响不大,Bayes估计具有稳健性。其次,我们基于Barren模型Ⅰ、Ⅳ和Ⅵ,分别分析了来自于香水试验的真实数据。通过Bayes方法比较了四种香水受欢迎程度。模型Ⅰ和Ⅳ结果一致,但是基于模型Ⅵ的结果不同。同时,我们给出了各参数估计的95%置信区间。参数估计的方差的估计显示模型Ⅰ的估计最有效。(本文来源于《华中科技大学》期刊2015-05-01）
徐桃,张敏强,王小婷[9]（2014）在《成对数据分析模型——主客体互依性模型与社会关系模型的比较研究》一文中研究指出个体不能脱离社会而存在,社会情境对个体心理和行为有很大的影响,例如早期社会测量学的创始人是莫雷诺、群体动力学理论的提出者勒温,认为个体的行为是个体和其所处环境的函数。而社会情境就是由社会关系构成,这些关系或联系与个体的心理与行为相互作用和影响。正如心理学家研究人际互动中的知觉、行为、人际吸引和其他社会关系,但是行为和社会知觉具有复杂性和多重性,既受到个体差异的影响,也受到特定的成对关系的作用。这种成对关系是人际关系和人际互动的最基本的单元,对成对关系的测量得到的成对数据具有非独立性特点,传统的数据处理方法,如回归分析、聚类分析等对该类数据的处理无能为力。随着统计技术的发展,主客体互依型模型(Actor–Partner Interdependence Model,APIM)和社会关系模型(Social Relations Model,SRM)能对群体和二元情景下的数据进行准确地建模和分析。两类模型都是根据数据的变异源分为叁个变量:行动者效应、同伴者效应和交互效应(关系效应)。二者在数据处理和心理学研究中的应用有共同之处,也有所区别。国外,APIM和SRM已被应用于许多心理学领域的研究,从人格心理学、社会心理学、认知心理学领域向临床心理学、组织心理学、比较心理学和发展心理学等诸多领域扩展,不过国内心理学界对成对数据分析模型的关注较少,还没有学者对于两个模型进行比较研究。本文通过对两类成对数据分析模型的研究设计、数据分析方法和心理学应用领域的介绍,展示APIM、SRM对研究心理学中的二元现象和处理成对数据的优势和前景,如测量自我及他人知觉的精确性和偏差、团体心理疗法中的中心关系理论、同伴群体中的分类和互动等,以期为国内心理学研究带来新的视角。同时对比两类模型在数据处理方法和心理学应用中的异同之处,为心理学研究中具体的应用提供进一步的参考和实质性建议。(本文来源于《第十七届全国心理学学术会议论文摘要集》期刊2014-10-10）
胡涛,徐珏,潘红颖,程立,程然[10]（2014）在《为临床根管预备实验建立基线一致成对牙模型的研究》一文中研究指出目的:通过多手段多因素综合筛选离体成对牙,以建立临床根管预备研究的基线一致性模型。方法:收集60对因正畸需要拔除的健康前磨牙。采集所有牙齿X片图像初筛,排除指标包括:根尖孔闭合情况、牙根数目、根管分型、根管弯曲数、牙全长。初筛后的牙齿采集CBCT图像进一步筛选,排除指标包括:根管分型、根管弯曲数目、根管工作长度、根管弯曲度。经CBCT筛选获得的成对牙各项指标测量数据进行统计学分析以验证其基线一致性。最终筛选获得的样本分为两组分别进行ProTaper或K3预备,CBCT评估其根管偏移与弯曲度变化。结果:通过X片初筛,最终选出15对牙进行下一步筛选。经CBCT筛选后选出6对解剖学相似度很高的成对牙进行详细指标的综合统计学评估,其差异无统计学意义(P>0.05)。通过CBCT评估两种镍钛器械预备,根管偏移与根管弯曲度变化无统计学意义(P>0.05)。结论:仅有少数成对牙能通过筛选达到解剖学形态高度相似性,然而只有选择具有基线一致的成对牙作为临床研究的样本才能尽可能反映实验处理的真实效应。ProTaper和K3对基线一致的成对牙根管预备无明显差异。(本文来源于《2014年第九次全国牙体牙髓病学学术会议论文汇编》期刊2014-09-18）
成对模型论文开题报告
（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：
目的在介绍主客体互依模型(Actor-partner interdependence model,APIM)基本思想的基础上,提供构建APIM的MPLUS语句,为AIPM理论在实际研究中的运用奠定基础。方法介绍APIM模型的基本思想及数据格式,运用MPLUS软件进行可区分的成对数据(Distinguishable data)和不可区分的成对数据(Indistinguishable data)的APIM构建。结果对于可区分的成对数据,MPLUS软件能提供简单实用的结构方程模型构建语句,而对于不可区分的成对数据,MPLUS软件在构建结构方程模型的过程中需要限定对子中两成员的6对参数相等。结论结构方程模型是实现可区分的成对数据APIM的最简单方法,也是不可区分的成对数据APIM的准确估计方式,MPLUS则提供了构建结构方程的简洁语句。
（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。
成对模型论文参考文献
[1].吴宾,陈允,孙中川,叶阳东.联合成对排序的物品推荐模型[J].通信学报.2019
[2].何娟,范雄智,郝春.成对数据的主客体互依模型在MPLUS中的实现[J].现代预防医学.2018
[3].王帅,陈师哲,金琴.基于多模态融合与成对排序模型的视频兴趣度预测[C].第十四届全国人机语音通讯学术会议（NCMMSC’2017）论文集.2017
[4].陈淇.重农抑商与官商经济成对出现的模型揭示[D].中国科学技术大学.2017
[5].李丹.基于Bradley-Terry模型的成对比较数据分析与应用[D].辽宁师范大学.2017
[6].胡月,沈永良.深度学习模型与成对分类相结合的人脸识别新算法[J].黑龙江大学工程学报.2016
[7].宋晓娟,刘红云.成对比较数据和排序数据的处理:模型分析的方法[J].北京师范大学学报(自然科学版).2016
[8].阿玛娜（Amna,Nazeer）.扩展的成对比较模型的贝叶斯分析[D].华中科技大学.2015
[9].徐桃,张敏强,王小婷.成对数据分析模型——主客体互依性模型与社会关系模型的比较研究[C].第十七届全国心理学学术会议论文摘要集.2014
[10].胡涛,徐珏,潘红颖,程立,程然.为临床根管预备实验建立基线一致成对牙模型的研究[C].2014年第九次全国牙体牙髓病学学术会议论文汇编.2014