导读:本文包含了标签过滤论文开题报告文献综述及选题提纲参考文献，主要关键词:推荐算法,协同过滤,标签扩展,召回率
标签过滤论文文献综述
金晶,怀丽波[1]（2019）在《基于标签和协同过滤的改进推荐算法研究》一文中研究指出针对基于标签和协同过滤的个性化推荐(TCF)没有考虑评分数据的作用和用户兴趣标签稀疏的问题,提出了一种加入评分数据并扩展用户兴趣标签的基于标签和协同过滤的改进推荐算法(ITCF).首先,以项目-标签相关度构造项目特征向量,并结合评分构造用户特征向量和用户-标签关联度;其次,对用户的历史偏好标签集进行基于标签相似性和基于近邻用户偏好的扩展;最后,以MovieLens数据集为例对ITCF算法的有效性进行实验验证.实验结果表明,在稠密的数据集中,ITCF算法的平均准确率和平均召回率比文献[2]和[3]算法的平均准确率和平均召回率分别提升约2.0%和1.7%;在稀疏的数据集中,当推荐项目数不超过20时,ITCF算法的平均准确率和平均召回率约比文献[2]和文献[3]算法的平均准确率和平均召回率分别提升约0.2%和0.8%.因此,本文提出的ITCF算法具有较好的应用前景.(本文来源于《延边大学学报(自然科学版)》期刊2019年03期）
丁一琦,张杰,周维彬,李丰,朱梦月[2]（2019）在《图书馆不同领域的电子标签敏感信息智能过滤系统设计》一文中研究指出针对当前图书馆内电子标签存在大量敏感信息,书籍保存环境质量差的现象,设计图书馆不同领域的电子标签敏感信息智能过滤系统。系统中的电子标签信息采集模块采用RFID技术获取图书馆借阅、管理以及检索等领域的电子标签信息;电子标签信息存储模块依照借阅、管理以及检索领域划分网关层内不同网关,各领域中均采用LHBase数据库实时存储电子标签信息;通过本体推理方法识别电子标签语义模板内敏感信息,采用贝叶斯电子标签敏感信息过滤器,过滤电子标签敏感信息。经实验证明,所设计系统敏感信息过滤结果的正确率和召回率分别高于其他系统20.4%和15.2%以上,说明该系统能准确过滤图书馆不同领域的电子标签敏感信息,具有很好的现实应用价值。(本文来源于《现代电子技术》期刊2019年18期）
熊楚平[3]（2019）在《基于标签权重的个性化协同过滤推荐算法》一文中研究指出互联网技术飞速发展产生的海量数据让用户很难快速高效的查找到有价值的信息,推荐系统因为可以帮助用户解决这一难题而被广泛研究。协同过滤的算法因其简便、易实现且推荐效果好成为主流的推荐技术。但其推荐性能往往因为用户操作数据过于稀疏受到影响,不能为用户产生合理的推荐原因也会影响用户的体验度。针对上述问题,本文提出了融合标签权重的个性化协同过滤推荐算法。首先,根据用户-项目评分矩阵以及项目标签,采用TF-IDF的方法计算用户的标签权重矩阵,然后分别采用叁种不同的方法模型进行实验:1、结合线性回归模型的个性化协同过滤推荐算法,根据用户标签权重矩阵,结合用户-项目评分矩阵构建线性回归模型,采用梯度下降的方法最小化代价函数的值,得到项目标签权重矩阵。然后将用户和项目的标签权重矩阵回代入线性回归模型,得到用户对所有未评分项目的预测评分,采用SlopeOne算法原理,计算预测评分同实际评分的差值平均,对预测结果进行调整得到最终的预测评分,对结果进行排序并推荐Top-N的项目给目标用户。2、基于近邻用户的协同过滤推荐算法,首先采用近邻传播算法对用户进行聚类,在聚类结果中寻找目标用户的近邻用户集,根据近邻用户的项目评分情况为目标用户产生推荐。3、将上述两种算法的结果进行混合,为目标用户产生评分预测,从而产生推荐。本文算法中将用户评分和项目标签进行转化,可以降低原始矩阵的维度,解决用户评分数据稀疏的问题,采用MovieLens数据集进行实验,结果表明算法的推荐准确度较传统协同过滤算法有明显的提升,且推荐的结果具有可解释性,可以满足用户的个性化需求。(本文来源于《新疆大学》期刊2019-06-30）
魏甜甜[4]（2019）在《基于标签和信任关系的协同过滤算法研究》一文中研究指出个性化推荐技术主动向用户推荐其可能感兴趣的物品集合,是缓解信息过载问题的有效手段,对于大数据背景下互联网应用具有重要意义。协同过滤是目前应用最广泛、最成功的推荐算法,获得了学术界和工业界的广泛关注并取得了一定的成果,但是仍然存在评分稀疏性而导致的相似度计算和邻居选取欠准确的问题,影响推荐效果。本文针对协同过滤算法存在的评分数据稀疏性展开相关研究,以期获得更好的推荐质量。本文主要的研究内容包括:1.针对现有的协同过滤方法在计算项目相似度时大多使用用户项目评分信息,忽略了项目标签信息的情况,提出一种结合评分和标签的协同过滤推荐算法。该算法在项目协同过滤的基础上,引入项目标签数据,利用项目标签隶属度和项目受欢迎程度计算项目间的相关性,并基于评分和标签改进了相似度计算策略。实验结果表明该算法优于现有的一些改进算法。2.针对目前协同过滤算法大都是基于评分数据产生综合兴趣,忽略了用户偏好的侧重点的问题,提出一种基于标签兴趣度的协同过滤算法。该算法通过用户标签使用频度和用户标签评分共同分析用户对标签的兴趣度,以衡量用户偏好的侧重点,利用修正的标签兴趣度改进相似度计算方法。实验结果表明所提出的算法提高了评分预测的准确度,取得更好的推荐效果。3.针对现有的协同过滤算法根据评分相似度或者信任度选取邻居用户时,忽略了用户偏好的侧重点以及信任关系非对称性的情况,提出一种结合标签和信任度的协同过滤算法。该算法利用用户标签兴趣度计算用户相似度,同时通过评分数量度量用户的信任权重,构建信任关系的非对称性,分别根据用户间的相似度和信任度选取邻居用户。实验结果表明改进后的算法提高了推荐的准确度,并且一定程度上改善了冷启动带来的问题。(本文来源于《西北大学》期刊2019-06-01）
吴航[5]（2019）在《融入用户信任和标签的协同过滤推荐研究》一文中研究指出大数据时代的到来使得信息开始变得泛滥,“信息过载”的问题显得越发严重。基于协同过滤算法的推荐技术为解决这一类问题提供了很好的帮助。但是协同过滤算法依然存在着推荐系统中固有的“数据稀疏”和“冷启动”问题,这严重制约了推荐系统的发展。为了解决这一问题,越来越多的辅助信息引入了推荐系统。人们通过辅助信息能更准确地为用户提供个性化的需求。在这些辅助信息当中,尤以社交信任和社会化标签引人注目。本文将在这两类辅助信息的基础上提出相对应的改进算法。本文主要介绍了3个方面的内容:融入潜在信任模型的协同过滤算法、基于用户信任关系的矩阵分解算法、基于标签的概率矩阵分解算法。主要研究内容如下:(1)针对已有社交信息不足的问题,本文提出了一种潜在的社交信任模型,分别从全局信任值和专家系统、改进的信任传播,以及改进的皮尔逊系数这四方面构建信任模型。算法的核心思想是在已有信任传播的基础上,提出填充信任矩阵的思想,目的是为了增强社交网络的丰富度。通过在FilmTrust真实数据集上的实验验证,证明了该算法在一定程度上能够丰富社交网络,从而提高推荐的准确度。(2)基于信任的矩阵分解算法中,融合了显式信任关系对评分的隐式反馈算法(TrustSVD)是当下关于矩阵分解类综合性能较好的算法。在TrustSVD算法的基础上,本文提出了一种更为准确的基于信任的矩阵分解算法:TrustSVD++算法。我们在TrustSVD算法的基础上融入了相似用户的隐式反馈,并与信任用户的隐式反馈线性结合起来;同时,我们限制了TrustSVD算法中信任用户的范围,使算法能够带来更准确的隐式反馈;最后,我们在信任分解中加入两项因素:用户本身固有的信任因素对信任预测的影响、信任用户对信任预测所带来的隐式反馈。通过在FilmTrust和Ciao这两个数据集上的实验表明,TrustSVD++算法能够在一定程度上提升推荐效果。(3)常见的标签相似度计算缺乏与用户的评分相结合,我们知道用户的评分其实也表现出用户的一种兴趣。因此本文提出了结合用户评分和标签频率的标签相似度,然后在概率矩阵分解(PMF)的基础上同时融入了用户标签和项目标签的影响因素,提出了一种基于标签的概率矩阵分解算法。为了验证该算法的有效性,与论文中常用的标签相似度进行了比较。在两个真实数据集中的实验表明,新提出的算法能够在一定程度上提升推荐效果。(本文来源于《华东师范大学》期刊2019-05-07）
崔春生,王辉,李群[6]（2019）在《基于用户标签和信任关系的协同过滤推荐算法研究》一文中研究指出随着互联网产业的快速发展,推荐系统已成为商业领域的研究热点,传统的仅考虑用户相似度或项目相似度的推荐算法已不能满足用户对推荐效率和推荐准确率的要求.考虑到社会好友间信任关系在推荐中的有益作用,信任关系应当成为推荐系统的考虑因素之一,文章提出一种基于标签和信任关系的协同过滤模型.首先,根据用户标签筛选出相似度较高的用户,根据他们对项目的评价预测得分;然后,根据社区内信任关系计算基于信任的评分;最后,综合两项得分进行预测.通过Epinions数据集验证表明:对比单纯的相似度推荐,添加信任因素后推荐结果有明显改变且随着信任网络规模扩大,项目预测得分趋于稳定,预测精度明显提高,更适用于移动电子商务环境下的个性化推荐问题.(本文来源于《系统科学与数学》期刊2019年03期）
李雅琴[7]（2019）在《融合标签和时间信息的协同过滤推荐》一文中研究指出目的——推荐系统作为解决信息超载问题的一种有效方法,能够帮助用户快速寻找可能感兴趣的资源。但传统推荐系统中仍然存在一些问题,例如评分矩阵数据稀疏、用户兴趣偏好转移和冷启动等问题。标签信息由于兼具资源描述信息和用户兴趣偏好信息,与其相关的应用也越来越广泛。除了可以用于电影、图书等常规资源的推荐,还可以用于网络社交的推荐。这为传统推荐系统带来新的转机,但是标签信息的使用也带来了新的问题,例如如何从标签中提取有效信息。为此在传统的协同过滤算法中融入标签和时间信息。以标签的形式增强用户与资源之间的联系;以时间的形式增强推荐与用户兴趣偏好之间的联系。方法——首先,根据标签所反映的资源描述信息和用户兴趣偏好信息将其划分为标准化标签和社会化标签,并对标签相似度计算公式做出改进。其次,在传统协同过滤的基础上引入标签信息。使用改进后的标签相似度计算公式进行第一次评分值预测,并将评分预测值填充于原始评分矩阵;在填充后的矩阵上进行基于用户的最近邻推荐,得到最终的推荐结果。最后,针对用户兴趣转移问题对融合标签信息的协同过滤算法做出进一步地改进。对用户的评分和标注行为加入相应的时间权重因子,以此降低时间间隔较长的评分和标注行为在相似度计算时的影响权重,从而使得推荐结果能更加符合用户的兴趣变化。研究结果——首先,对社会化标签进行预处理,根据使用的频繁性选出真正有区分价值的社会化标签用于后续计算。并通过两种标签信息的调节因子取值进行比对实验来确定其合适取值,使得基于标签相似度的计算结果更加准确;其次,将标签信息和协同过滤推荐算法进行融合。通过与传统协同过滤和基于标签推荐的算法比对实验,来验证融合标签信息的协同过滤改进算法的可行性;最后,引入时间信息进行不同遗忘速度取值比对实验来确定其合适取值,并通过与融合标签信息的协同过滤算法的比对实验来验证基于时间信息改进算法的可行性。研究的局限性——仅根据使用的频繁性来选择具有区分价值的社会化标签。但社会化标签是用户凭借自由意志使用,且没有规范的词汇和层次结构的限制。因此可能存在一词多义和同义词等现象,导致社会化标签中隐含的信息不能很好地被理解。此外,该算法在分类的效率和准确度上也有待进一步提升。实际影响——通过融合标签信息的协同过滤算法,使用标签来加强用户和资源之间的联系,提高推荐的准确度。并通过引入时间权重因子来把握用户兴趣的转移,为用户提供更加有效地推荐,提高用户与系统的黏着性。独创性——将标签划分为标准化标签和社会化标签,针对两种标签所反映的不同信息提出基于标签信息相似度计算的改进公式;融合标签信息和时间信息对传统协同过滤方法进行算法改进,使得推荐结果更加符合实际情况,并能在一定程度缓解数据稀疏、用户兴趣转移等问题。(本文来源于《兰州大学》期刊2019-03-01）
陈庆强,王文剑,姜高霞[8]（2019）在《基于数据分布的标签噪声过滤》一文中研究指出在监督学习中,标签噪声对模型建立有较大的影响。目前对于标签噪声的处理方法主要有基于模型预测的过滤方法和鲁棒性建模方法,然而这些方法存在过滤效果差或者过滤效率低等问题。针对该问题,该文提出一种基于数据分布的标签噪声过滤方法。首先对于数据集中的每一个样本,根据其近邻内样本的分布,将其及邻域样本形成的区域划分为高密度区域和低密度区域,然后针对不同的区域采用不同的噪声过滤规则进行过滤。与已有方法相比,该方法从数据分布角度出发,使得噪声过滤更具有针对性从而提高过滤效果;此外,使用过滤规则对噪声数据进行处理而非建立噪声预测模型,因而可以提高过滤效率。在15个UCI标准多分类数据集上的实验结果表明:该方法在噪声低于30%时,噪声检测效率和分类精度均有很好的表现。(本文来源于《清华大学学报(自然科学版)》期刊2019年04期）
骆正清,郑涛[9]（2018）在《基于标签聚类的协同过滤推荐算法》一文中研究指出本文提出一种基于标签聚类的协同过滤推荐算法,通过构造用户—标签相关性矩阵,获得用户的兴趣爱好;然后对K-means聚类算法进行改进,获得具有相同兴趣爱好的用户簇;最后在与目标用户相匹配的用户簇中寻找最近邻居集合,产生推荐。实验结果表明,与基于用户的协同过滤算法相比,改进的协同过滤推荐算法具有更高的推荐质量。(本文来源于《第十叁届（2018）中国管理学年会论文集》期刊2018-11-03）
雷曼,龚琴,王纪超,王保群[10]（2019）在《基于标签权重的协同过滤推荐算法》一文中研究指出针对传统协同过滤推荐算法中由于相似度计算导致推荐精度不足的问题,提出一种基于标签权重相似度量方法的协同过滤推荐算法。首先,通过改进当前算法中标签权重的计算,并构成用户-标签权重矩阵和物品-标签权重矩阵;其次,考虑到推荐系统是以用户为中心进行推荐,继而通过构建用户-物品关联矩阵来获取用户对物品最准确的评价和需求;最后,根据用户-物品的二部图,利用物质扩散算法计算基于标签权重的用户间相似度,并为目标用户生成推荐列表。实验结果表明,与一种基于"用户-项目-用户兴趣标签图"的协同好友推荐算法(UITGCF)相比,在稀疏度环境为0.1时该算法的召回率、准确率和F1值分别提高了14.69%、9.44%、17.23%。当推荐项目数量为10时,叁个指标分别提高了17.99%、8.98%、16.27%。结果表明基于标签权重的协同过滤推荐算法可有效提高推荐结果。(本文来源于《计算机应用》期刊2019年03期）
标签过滤论文开题报告
（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：
针对当前图书馆内电子标签存在大量敏感信息,书籍保存环境质量差的现象,设计图书馆不同领域的电子标签敏感信息智能过滤系统。系统中的电子标签信息采集模块采用RFID技术获取图书馆借阅、管理以及检索等领域的电子标签信息;电子标签信息存储模块依照借阅、管理以及检索领域划分网关层内不同网关,各领域中均采用LHBase数据库实时存储电子标签信息;通过本体推理方法识别电子标签语义模板内敏感信息,采用贝叶斯电子标签敏感信息过滤器,过滤电子标签敏感信息。经实验证明,所设计系统敏感信息过滤结果的正确率和召回率分别高于其他系统20.4%和15.2%以上,说明该系统能准确过滤图书馆不同领域的电子标签敏感信息,具有很好的现实应用价值。
（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。
标签过滤论文参考文献
[1].金晶,怀丽波.基于标签和协同过滤的改进推荐算法研究[J].延边大学学报(自然科学版).2019
[2].丁一琦,张杰,周维彬,李丰,朱梦月.图书馆不同领域的电子标签敏感信息智能过滤系统设计[J].现代电子技术.2019
[3].熊楚平.基于标签权重的个性化协同过滤推荐算法[D].新疆大学.2019
[4].魏甜甜.基于标签和信任关系的协同过滤算法研究[D].西北大学.2019
[5].吴航.融入用户信任和标签的协同过滤推荐研究[D].华东师范大学.2019
[6].崔春生,王辉,李群.基于用户标签和信任关系的协同过滤推荐算法研究[J].系统科学与数学.2019
[7].李雅琴.融合标签和时间信息的协同过滤推荐[D].兰州大学.2019
[8].陈庆强,王文剑,姜高霞.基于数据分布的标签噪声过滤[J].清华大学学报(自然科学版).2019
[9].骆正清,郑涛.基于标签聚类的协同过滤推荐算法[C].第十叁届（2018）中国管理学年会论文集.2018
[10].雷曼,龚琴,王纪超,王保群.基于标签权重的协同过滤推荐算法[J].计算机应用.2019