导读:本文包含了标签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:推荐系统,标签,马尔可夫链(MC),满意度模型
标签推荐论文文献综述
马闻锴,李贵,李征宇,韩子扬,曹科研[1]（2019）在《一种基于标签的Top-N个性化推荐算法》一文中研究指出随着Web2.0的发展,UGC标签系统受到越来越多的关注,标签既能反映用户的兴趣又能描述物品的本身特征。现有的标签推荐算法没有考虑用户的连续行为所产生的影响,而传统的基于马尔可夫链(Markov Chain)的推荐算法虽然侧重于研究用户的连续行为来产生推荐,但它是直接作用于用户与物品的二维关系,并不适用于基于UGC的标签推荐。因此,通过结合马尔可夫链和协同过滤的思想,提出了一种基于标签的个性化推荐算法。该算法将〈用户-标签-物品〉的叁维关系拆分为〈用户-标签〉和〈标签-物品〉两个二维关系。首先通过马尔可夫链模型计算用户对标签的兴趣度,再通过推荐标签集来匹配与其相对应的物品。为了提高推荐的精准率,该算法利用标签之间的影响,并基于匹配物品中所含标签间存在的关联关系对物品进行满意度建模,该模型是一种概率模型。在计算用户-标签和用户-物品之间的兴趣度和满意度时使用了协同过滤的思想来补全稀疏值。在公开的数据集中,与现有算法相比,该算法在精准率、召回率上均有明显提高。(本文来源于《计算机科学》期刊2019年S2期）
朱峙成,刘佳玮,阎少宏[2]（2019）在《多标签学习在智能推荐中的研究与应用》一文中研究指出传统的智能推荐中运用了协同过滤算法,但是它并不能很好地处理用户的评分信息,推荐的质量受存在的数据稀疏性、极端数据的影响。对此,将推荐问题转换为多标签学习问题,文中提出了一种基于HMM模型和用户画像的完备智能推荐系统。首先设立不同的数据处理机制来提高模型的泛化能力,其次为了解决数据稀疏问题,提出反马尔科夫性改进HMM模型,最终构建用户画像对HMM模型的学习经验得到的结果进行筛选,得到最终的推荐服务。实验结果表明,在智能推荐问题中多标签学习有效地提高了推荐准确性和推荐效率。(本文来源于《计算机科学》期刊2019年S2期）
马慧芳,张迪,赵卫中,史忠植[3]（2019）在《基于超图随机游走标签扩充的微博推荐方法》一文中研究指出向微博用户推荐对其有价值和感兴趣的内容,是改善用户体验的重要途径.通过分析微博特点以及现有微博推荐算法的缺陷,利用标签信息表征用户兴趣,提出一种结合标签扩充与标签概率相关性的微博推荐方法.首先,考虑到大部分微博用户未给自己添加任何标签或添加标签过少,视用户发布微博为超边,微博中的词视为超点来构建超图,并以一定的加权策略对超边和超点进行加权,通过在超图上随机游走,得到一定数量的关键词,对微博用户标签进行扩充;然后,采用相关性标签权重加权方案构建用户-标签矩阵,利用标签之间的概率相关性,构造标签相似性矩阵,对用户-标签矩阵进行更新,使该矩阵既包含用户兴趣信息,又包含标签与标签之间的关系.以新浪微博公开API抓取的微博信息作为实验数据进行了一系列的实验和分析,结果表明,该推荐算法具有较好的效果.(本文来源于《软件学报》期刊2019年11期）
汪涛,潘芳,潘郁,朱晓峰[4]（2019）在《一种融合时间权重的张量分解标签推荐模型》一文中研究指出在针对用户标签的个性化推荐中,为解决因热门标签和资源所导致的标签推荐准确性不足的问题,文章提出了一种融合时间权重的张量分解模型,通过对用户标注标签事件的时间信息建模,计算时间权重,再将权重融入张量分解模型,最后利用分解后的特征向量进行推荐。基于Bibsonomy和LastFM数据集进行的实验结果表明,算法在准确率-召回率和F1指标上均高于其他流行标签推荐模型。通过时间权重的引入,构建融合时间权重的张量分解标签推荐模型,对个性化标签推荐的准确性有较好的提升。(本文来源于《统计与决策》期刊2019年21期）
文博,张盼,沈淑琴[5]（2019）在《直播带货5分钟 线上热销一个月》一文中研究指出本报讯 文博 张盼 沈淑琴报道:“亲,您的宝贝已经出发,正快马加鞭赶来!”10月18日下午,通知消息发出后,129个包裹装着308包牧原绿风牛肉干从托里县出发,踏上奔赴全国各地的旅程。送走包裹后,托里县电子商务公共服务中心负责人周琴琴伸出5个(本文来源于《塔城日报(汉)》期刊2019-10-22）
贾伟,刘旭艳,徐彤阳[6]（2019）在《融合用户智能标签与社会化标签的推荐服务》一文中研究指出【目的/意义】通过对用户和资源进行挖掘帮助用户找到自己感兴趣的资源已成为新网络环境下普遍存在的服务方式之一,图书资源推荐服务不仅可以提高图书资源利用率,而且对于满足读者需求、提高用户满意度具有重要现实意义。【方法/过程】针对目前图书推荐过程中存在的问题,提出融合人工智能和社会化标签的方法实现书目推荐的思路,在深入分析用户兴趣与社会化标签、相似用户群之间的关系的基础上,提出一种融合用户智能标签与社会化标签的推荐方法,并给出该推荐方法的详细流程。【结果/结论】实验结果表明,与传统的方法相比,本文提出的融合方法具有更好的效果。(本文来源于《情报科学》期刊2019年10期）
金晶,怀丽波[7]（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）
葛梦凡,刘真,王娜娜,田靖玉[8]（2019）在《加入标签迁移的跨领域项目推荐算法》一文中研究指出大多数推荐算法常采用基于迁移学习的跨领域推荐技术,借助辅助领域的丰富数据信息来解决传统单域推荐中普遍存在的数据稀疏等问题。但若迁移的知识比较单一,没有结合用户行为,则往往会在目标领域导致负迁移、推荐结果不佳等问题。因此,考虑结合其他知识来辅助完成目标领域的学习任务。利用用户异构行为改善推荐结果,正是近年来的新兴研究热点之一。在用户数据中,标签与用户的真实偏好相关,通常能够反映用户或项目的部分隐式特征。通过结合迁移学习及用户标签数据,文中提出了基于标签迁移的跨领域项目推荐算法ITTCF(Item-based Tag Transfer Collaborative Filtering)。该算法摒弃了在跨领域迁移推荐中仅对评分模式进行挖掘迁移的单一辅助方式,将用户行为反馈与数字评分相结合,融合了评分模式和标签这两种异构用户行为。在多个数据集中的实验结果均表明,ITTCF具有更好的RMSE和MAE值,较传统算法分别提升了1.61%～6.67%和1.97%～8.83%。(本文来源于《计算机科学》期刊2019年10期）
陈晨,侯景瑞,吴任力,王平[9]（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）
熊楚平[10]（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）
标签推荐论文开题报告
（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：
传统的智能推荐中运用了协同过滤算法,但是它并不能很好地处理用户的评分信息,推荐的质量受存在的数据稀疏性、极端数据的影响。对此,将推荐问题转换为多标签学习问题,文中提出了一种基于HMM模型和用户画像的完备智能推荐系统。首先设立不同的数据处理机制来提高模型的泛化能力,其次为了解决数据稀疏问题,提出反马尔科夫性改进HMM模型,最终构建用户画像对HMM模型的学习经验得到的结果进行筛选,得到最终的推荐服务。实验结果表明,在智能推荐问题中多标签学习有效地提高了推荐准确性和推荐效率。
（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。
标签推荐论文参考文献
[1].马闻锴,李贵,李征宇,韩子扬,曹科研.一种基于标签的Top-N个性化推荐算法[J].计算机科学.2019
[2].朱峙成,刘佳玮,阎少宏.多标签学习在智能推荐中的研究与应用[J].计算机科学.2019
[3].马慧芳,张迪,赵卫中,史忠植.基于超图随机游走标签扩充的微博推荐方法[J].软件学报.2019
[4].汪涛,潘芳,潘郁,朱晓峰.一种融合时间权重的张量分解标签推荐模型[J].统计与决策.2019
[5].文博,张盼,沈淑琴.直播带货5分钟线上热销一个月[N].塔城日报(汉).2019
[6].贾伟,刘旭艳,徐彤阳.融合用户智能标签与社会化标签的推荐服务[J].情报科学.2019
[7].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
[8].葛梦凡,刘真,王娜娜,田靖玉.加入标签迁移的跨领域项目推荐算法[J].计算机科学.2019
[9].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
[10].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