导读:本文包含了位置权重论文开题报告文献综述及选题提纲参考文献，主要关键词:协同过滤,时空数据,DBSCAN聚类,时间权重
位置权重论文文献综述
田继伟,王劲松,石凯,薛玉岱,岳欣[1]（2019）在《基于聚类和时间权重的协同过滤位置预测算法》一文中研究指出校园无线网络产生大量用户位置数据,它使掌握用户行为轨迹、预测用户位置成为可能.协同过滤广泛用于预测和推荐系统中,但现有研究存在数据稀疏性和不适用于处理时空数据的缺点.本文提出基于聚类和时间权重的协同过滤位置预测算法.首先利用DBSCAN聚类算法对用户进行聚类,缓解数据稀疏性.然后在簇内计算用户-位置评分矩阵时引入时间权重,使用户近期的位置签到对预测有更大贡献.与传统协同过滤方法相比,该方法准确率提高9.1%,召回率提高5.2%,F1-SCORE提高7%.(本文来源于《天津理工大学学报》期刊2019年03期）
刘海云[2]（2019）在《共被引分析中位置权重的改进研究》一文中研究指出共引分析是情报领域中常用的分析方法,可以用来揭示文献之间的聚类关系,它具有操作上的简单性与方法上的有效性,在文献聚类研究方面倍受科学计量学家的关注。但是在以往的共引分析研究中,人们大都只是单纯地利用文献的共引次数去衡量它们的紧密程度,并没有考虑到共同被引用的文献出现在施引文献中的相对位置不同,对于表征共被引文献紧密程度的作用也不相同。本文以文章的结构布局为划分依据,可以将共被引文献出现在施引文献中的相对位置划分为句子层次、段落层次、节层次、章层次以及篇层次。对文献的共引次数按照它们出现的相对位置进行加权,能够更加准确地描述文献之间的紧密程度,获取的文献聚类结果也更加细化并且更具合理性。在对不同共引位置上的权重进行判断时,考虑到目前大多数研究中人为判断带来的主观性会对文献聚类结果产生影响,本文提出由多位专家采用层次分析法分别对不同共引位置上的权重进行判断,然后将这些专家给出的权重综合起来,得到一组改进后的权重。这样做的目的是通过引入群组判断的方式,在一定程度上降低使用层次分析法时由于人为主观判断产生的误差,再与采用之前的权重得出的文献聚类结果进行对比分析,检验采用改进后的权重得到的文献聚类结果的科学性和合理性。(本文来源于《郑州大学》期刊2019-05-01）
武婷,曹春萍[3]（2019）在《融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型》一文中研究指出针对传统的基于注意力机制的神经网络模型不能对方面特征和情感信息进行有效关注,以及不同距离或不同方向的上下文词对方面词的情感极性判断有不同的贡献等问题,提出一种融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型(LWAOA-LSTM)。首先,为词向量加入位置权重信息;然后,使用长短期记忆(LSTM)网络同时对方面和句子进行建模以生成方面表示和句子表示,同时通过注意力交叉注意力模块共同学习方面和句子的表示以获得方面到文本和文本到方面的交互关注,并自动关注句子中的重要部分;最后,在景点、餐饮、住宿不同主题数据集上进行实验,验证了该模型对方面情感分析的准确性。实验结果表明,所提模型在景点、餐饮、住宿主题数据集上的准确率分别达到78. 3%、80. 6%和82. 1%,取得了比传统LSTM网络模型更好的效果。(本文来源于《计算机应用》期刊2019年08期）
杜敦英,竹翠,朱文军,赵枫朝[4]（2018）在《基于位置权重的歌词情感分析》一文中研究指出结合目前从音频和歌词角度对歌曲情感分析的研究以及歌词文本独有特点,提出一种基于文本标题与位置权重相结合的歌词情感分析方法。该方法考虑到出现在不同位置的特征词权值对于歌词分类的影响程度,采用层次分析法计算文本标题、歌词文本前、中、后不同位置特征词的位置权重。通过朴素贝叶斯、最大熵模型、支持向量机等不同分类器的训练实现歌曲快乐、伤感、安静、激昂4种情感分类。实验表明,加入文本标题与位置权重后的最优F1值相比之前提升了4个百分点,证明了该方法在提升歌词情感分类性能方面的有效性。(本文来源于《软件导刊》期刊2018年12期）
陈纲,张强,冯蛟[5]（2018）在《具有边际贡献权重的位置值》一文中研究指出先通过交流局势中交流结构的边邻接关系,确定了边邻接交流局势。再利用边邻接交流局势的Myerson值,以及边的端点的边际联盟贡献比例,定义了具有边际贡献权重的位置值。并利用分支有效性和边均衡贡献性,在一类交流局势下刻画了具有边际贡献权重的位置值。(本文来源于《运筹与管理》期刊2018年06期）
马立[6]（2018）在《基于位置权重矩阵的长非编码RNA预测方法研究》一文中研究指出人类基因组测序计划的研究表明,在人类基因组中,仅有不到全部基因组序列2%的基因具有编码蛋白质的功能,其余是缺乏蛋白质编码能力的,这在早期曾被认为是“垃圾基因”,直到2004年才有研究学者发现所谓“垃圾基因”序列中可能暗藏着大量的DNA调控元件、转座子和非编码RNA基因。在DNA元件百科全书(Encyclopedia Of DNA Elements,简称为ENCODE项目)完成后,人们进一步发现大部分DNA序列能够被转录成RNA,其中大部分的转录产物为非编码RNA,而在非编码RNA中,绝大多数的转录本是长度大于200个碱基的长非编码RNA。近些年来,研究者们对这些长非编码RNA的研究持续升温,研究结果表明长非编码RNA能够在转录及转录后水平上调节蛋白编码基因的表达,从而广泛地参与包括细胞分化、个体发育在内的重要生命过程,其异常表达还与多种人类重大疾病的发生密切相关。但目前还有大量的长非编码RNA没有被识别出来,所以如何将长非编码RNA从大量的转录本中快速而准确的挑选出来是一件非常值得研究的课题。本文使用计算机的方法来对长非编码RNA进行预测识别,相较于生物学的方法,极大地提高了识别效率。现有的长非编码RNA预测研究中,主要有叁个问题:一是很多预测方法过于依赖现有物种蛋白质编码库,一旦当前物种对应的蛋白质编码库数据较少就会影响最终的识别结果。二是一旦测序过程中存在一些序列错误,大多数预测方法的识别率就会大大降低,而测序过程中的序列错误几乎是不可避免的。叁是在特征提取中未能统计到序列的位置相关信息,大多是核苷酸含量或组合的特征。为了解决上述问题,本文首先对长非编码RNA与编码RNA序列的特征进行分析,提取出两大类特征,分别是生物特征类和序列结构特征类,其中生物特征类中包含开放阅读框特征和聚合体特征,序列结构特征类中包含k-mer特征、Fickett特征和位置权重矩阵特征,这种特征提取方式不依赖于蛋白编码库,也有一定的容错性。在特征提取中我们首次使用位置权重矩阵的方法来提取核苷酸的位置特征,并在实验中取得了较好的结果。为了提升预测方法的训练速度并减少特征空间维度,本文在特征选择阶段依次使用包装法和过滤法进行特征选择,经过特征选择后我们得到了数量较少的具有代表性的特征。接下来,我们分别使用了支持向量机、随机森林和BP神经网络这几种机器学习方法对训练集进行训练分类,并使用网格遍历方法对分类器模型参数进行选取,经实验对比后,选择支持向量机作为模型的分类器进行长非编码RNA的预测,实验证明预测模型效果较优。在构建本文的长非编码RNA预测模型时,我们使用十折交叉验证对预测模型在训练集上进行了验证,最终在测试集上取得了较高的准确率和一致性。与之前的长非编码RNA预测方法相比较,本文的预测结果也具有较大的优势,且本文方法是不依赖于相应物种蛋白质编码库的。在跨物种的数据集上进行实验,结果表明本文算法也具有一定的普适性。(本文来源于《西南大学》期刊2018-04-08）
岁品品,邢旭东,王宏,崔颖[7]（2016）在《基于位置权重矩阵的核小体识别及功能分析》一文中研究指出为研究高通量的人类CD4+T细胞的核小体定位模式,使用迭代算法对核小体定位模式进行分类,并利用位置权重矩阵方法分别构建稳定核小体定位序列、动态核小体定位序列和连接区序列模型,通过十倍交叉验证评估模型性能,并与Segal方法与弯曲度方法进行比较,发现位置权重矩阵方法在敏感性、精度和准确性方面都具有一定优越性。同时采用滑窗法在全基因组选取候选序列进行核小体识别,挖掘核小体定位相关基因,并进行基因生物学进程功能富集分析,发现稳定与动态核小体、真实与潜在核小体对应的基因所参与调控的生物学过程各有不同,但也有一些生物学过程为不同类别核小体所共有,例如对细胞内大分子的调控功能。(本文来源于《生物信息学》期刊2016年01期）
曹文俊[8]（2015）在《面向推荐内容呈现位置的网页布局及区域权重研究》一文中研究指出为应对互联网中信息过载问题以及满足互联网用户个性化需求的增长,网页个性化推荐技术应运而生。当今电子商务行业已经从传统的“商家有什么,就提供给消费者什么”的模式逐渐转变为“消费者需要什么,商家就提供什么”的模式,个性化推荐技术作为新时代下推动电子商务行业持续发展的新动力,得到了极大的发展与普及。个性化推荐的内容形态复杂,可能是文字、图片、视频等多种承载形式,也可能是静态,动态,动态静态相结合的表现形式。而网页作为个性化推荐技术的媒体平台,个性化推荐内容在网页上的合理布局是影响用户浏览点击并做出反馈以及用户在电子商务网站后期购买商品的重要因素。在推荐内容相同的情况下,什么样的网页布局更能吸引用户,更能提高推荐成功率,这引起了越来越多人的关注。科学清晰的网页布局,不仅能够使用户快速便捷的浏览网站,提高潜在用户的交易成功率,也能够给用户在浏览网站过程中带来极佳的用户体验,培养用户对网站的忠诚度,创造出区别于竞争对手的差异化优势,只有将推荐内容与网页结构特点完美结合的网页才是科学合理的布局,也只有这样才会受到用户的持续青睐。本文在研究过程中,牢牢抓住权重化思想并将其贯穿始终,在已有的各种研究的基础之上,结合不同学科之间的理论知识,充分考虑到影响权重值的各种因素并将其体现在权重之中。本文旨在通过将权重与网页设计布局相结合,首先将网页块状化,改变以往对于网页的研究都是以网页本身作为基本单位,将网页中的内容块作为在研究中最小的处理单元,基于网页功能并利用机器学习的方法实现对网页的自动化分类。在网页分类基础之上,结合心理学知识和数学知识为各个内容块赋予权重。这个权重值是内容块面积以及内容块位置共同决定,最后将每个内容块的权重值作为网页布局的量化指标,为个性化推荐内容在网页上的合理布局提出一套科学的依据。本文中提出的方法,如果与性能优良的推荐算法相互结合组成一套网页自动化推荐系统,那么将会取得很高的推荐成功率,同时本文也为个性化推荐和网页设计两个学科架起了沟通的桥梁,为相关研究奠定了基础,也指明了进一步研究的方向。(本文来源于《华中师范大学》期刊2015-05-01）
王学莹,冯建国,陈佳威,张芳,薛小平[9]（2014）在《基于权重的差值化多轮投票车载自组织网络位置验证机制》一文中研究指出针对车载自组织网络(VANET)位置验证的共谋攻击问题,提出了一种基于权重的差值化多轮投票位置验证机制。该机制通过引入静态帧以及重新设计信标帧(Beacon)消息格式缓解位置验证延时,并设置恶意车辆过滤环节,使得具有不同信任度的邻居对特定区域中的位置进行基于权重的多轮投票,以获得可信的位置验证。实验结果表明,在位置验证算法的正确率方面,多个恶意车辆发起合谋攻击时该机制算法的正确率仍能达到93.4%,与基于最小均方误差(MMSE)的位置验证方案相比,能获得更高的检测率。(本文来源于《计算机应用》期刊2014年10期）
李琴,张瑾,骈聪,陈园园,李强[10]（2014）在《基于位置关联权重矩阵及序列组分的多样性增量识别剪接位点》一文中研究指出前体mRNA的剪接是真核基因表达的关键阶段,识别剪接位点对基因表达也起着至关重要的作用。作者用紧邻与非紧邻的位置关联权重矩阵及组成分的多样性增量得到的五维特征向量来表示序列,应用支持向量机对供体位点和受体位点进行识别。采用5-fold交叉检验,得到供体和受体位点的马修斯相关系数分别为0.924和0.947,ROC曲线下面积分别为99.08%和99.54%。与一些传统方法相比,这一方法考虑了位点之间的相关性和序列的生物信息,表现出特征少、精度高等优点。(本文来源于《生物物理学报》期刊2014年05期）
位置权重论文开题报告
（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：
共引分析是情报领域中常用的分析方法,可以用来揭示文献之间的聚类关系,它具有操作上的简单性与方法上的有效性,在文献聚类研究方面倍受科学计量学家的关注。但是在以往的共引分析研究中,人们大都只是单纯地利用文献的共引次数去衡量它们的紧密程度,并没有考虑到共同被引用的文献出现在施引文献中的相对位置不同,对于表征共被引文献紧密程度的作用也不相同。本文以文章的结构布局为划分依据,可以将共被引文献出现在施引文献中的相对位置划分为句子层次、段落层次、节层次、章层次以及篇层次。对文献的共引次数按照它们出现的相对位置进行加权,能够更加准确地描述文献之间的紧密程度,获取的文献聚类结果也更加细化并且更具合理性。在对不同共引位置上的权重进行判断时,考虑到目前大多数研究中人为判断带来的主观性会对文献聚类结果产生影响,本文提出由多位专家采用层次分析法分别对不同共引位置上的权重进行判断,然后将这些专家给出的权重综合起来,得到一组改进后的权重。这样做的目的是通过引入群组判断的方式,在一定程度上降低使用层次分析法时由于人为主观判断产生的误差,再与采用之前的权重得出的文献聚类结果进行对比分析,检验采用改进后的权重得到的文献聚类结果的科学性和合理性。
（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。
位置权重论文参考文献
[1].田继伟,王劲松,石凯,薛玉岱,岳欣.基于聚类和时间权重的协同过滤位置预测算法[J].天津理工大学学报.2019
[2].刘海云.共被引分析中位置权重的改进研究[D].郑州大学.2019
[3].武婷,曹春萍.融合位置权重的基于注意力交叉注意力的长短期记忆方面情感分析模型[J].计算机应用.2019
[4].杜敦英,竹翠,朱文军,赵枫朝.基于位置权重的歌词情感分析[J].软件导刊.2018
[5].陈纲,张强,冯蛟.具有边际贡献权重的位置值[J].运筹与管理.2018
[6].马立.基于位置权重矩阵的长非编码RNA预测方法研究[D].西南大学.2018
[7].岁品品,邢旭东,王宏,崔颖.基于位置权重矩阵的核小体识别及功能分析[J].生物信息学.2016
[8].曹文俊.面向推荐内容呈现位置的网页布局及区域权重研究[D].华中师范大学.2015
[9].王学莹,冯建国,陈佳威,张芳,薛小平.基于权重的差值化多轮投票车载自组织网络位置验证机制[J].计算机应用.2014
[10].李琴,张瑾,骈聪,陈园园,李强.基于位置关联权重矩阵及序列组分的多样性增量识别剪接位点[J].生物物理学报.2014