导读:本文包含了语义推荐技术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,聚类分析,情感分析
语义推荐技术论文文献综述
刘伟[1]（2019）在《基于语义分析的农业新技术推荐系统的设计与实现》一文中研究指出目前,我国正经历农业转型新阶段。在向农业强国迈进的过程中,信息化在提升农业质量、收益和竞争力方面发挥着举足轻重的作用。针对农业领域,农业信息化的应用程度仍待提高。人们在需求农业新技术时,通过网络搜索引擎进行查询,速度慢、效率低。这在一定程度上阻碍了农业科技成果的转化效率,影响了农业信息化技术的应用和发展。基于此,本文设计并开发了农业新技术个性化推荐系统。本文在系统设计过程中,主要针对传统的协同过滤算法进行改进,具体表现在融合BIRCH算法和K-means算法,进行聚类分析。此外,根据协同过滤算法依赖于项目具体评分的现状,引入HowNet搭建语义评论词典,通过对用户评论语句的情感分析,得到评论词的情感倾向值,从而对对项目评分数据进行扩充。之后,利用相关数据源,分析并得到了更加适合农业领域的推荐算法模型。最后,利用该模型构建了农业新技术推荐系统。系统整体架构合理,语言设计自然,满足了用户的个性化信息需求,成功实现了信息的推荐。(本文来源于《中国农业科学院》期刊2019-05-01）
王芷若[2]（2018）在《基于多源数据的视频语义分析与推荐技术研究》一文中研究指出随着互联网的快速发展,网络上出现了越来越多的视频。在科学研究以及商业领域对视频信息的需求也愈发强烈,对于普通用户而言,能快速准确地从海量的视频库中找出感兴趣的视频并不容易,因此,视频推荐成为了一个热门的研究方向。并且,随着越来越多的用户上传自己拍摄的视频,各大视频网站越来越重视这些自创视频。然而,传统的基于协同过滤的推荐系统在面对这些无标签、无文字描述信息的视频时并不能取得很好的效果。所以,本文旨在从视频语义角度出发,通过发掘视频所表达的语义,完成基于视频语义的推荐,并通过结合视频多源异构信息,实现基于多源数据的视频推荐。本文的主要工作概况如下:本文首先明确了视频语义结构的定义(在本文中,主要研究体育类视频)介绍它们在视频检索以及视频推荐中的重要作用。接着,本文提出了两种视频语义提取方法,第一种是基于监督学习的视频语义提取方法,该方法使用3D卷积神经网络(C3D)提取视频帧的静态语义和连续帧序列的动态语义,然后使用连续时序分类(CTC)算法完成对视频语义的整合,将视频语义提取问题转化为了视频语义序列解码的问题,并通过实验证明该方法提升了3D卷积神经网络在视频语义提取上的准确度。第二种是基于非监督学习的视频语义提取方法,该方法同样使用C3D提取视频帧序列的语义,为了解决C3D-CTC对未标注视频语义提取准确度低的问题,本文使用递归自编码器对C3D提取出的帧语义序列进行压缩整合,得到视频的语义特征,并通过实验证明该方法比基于关键帧语义提取的方法在聚类结果上效果更好。基于以上两种视频语义提取方法,本文提出了一种基于视频语义相似度的推荐算法,以解决传统协同过滤算法无法解决的冷启动问题。接着,本文研究了视频描述信息在解决冷启动上所具有的优点,将视频描述信息与视频语义相结合,提出了一种基于多源数据的视频推荐算法。最后,本文分析了推荐系统的设计与实现方式,并通过实验证明了该方法在推荐准确率上比传统方法有了一定的提升。(本文来源于《电子科技大学》期刊2018-03-22）
李洺吉[3]（2017）在《语义分析技术在手机阅读实时推荐系统中的应用》一文中研究指出随着手机阅读行业的不断发展,越来越多的用户选择使用手机进行图书阅读。面对海量的电子图书资源,如何根据用户需求快速找到用户想要的书目,帮助用户解决选择困难的问题,成为手机阅读行业的新需求。本课题来源于手机阅读平台的实际项目需求,对原有推荐系统进行改造,以期解决原有推荐系统高延迟,新增项目无法进行“冷启动”的问题。本课题结合具体业务需求,根据图书作为商品的特点:文本信息即为全部信息,设计并实现了基于图书语义分析技术的实时推荐系统。本课题针对商品的特点,从图书标题、摘要、介绍语等自有属性信息和订购率、转订率等营销参数信息出发,将图书相似度拆分为:编辑分、基础分、相似分与协同分,并根据其各自算法的时间复杂度、数据量的大小和时延要求采用不同的算法进行计算,然后得到其加权和作为图书相似度,提高了系统推荐结果的个性化程度与准确率,并解决了系统新增项目无法进行“冷启动”的问题。同时,系统为保证系统推荐结果的实时性与数据的及时可靠处理,通过使用Storm、MapReduce、HBase等开源大数据框架对不同模块的数据采用的不同的处理方式,提高系统数据的处理效率和推荐的实时性。最后,采用A/B测试的方式以及准确率、多样性等推荐系统常见衡量指标对本课题推荐系统进行了验证,以保证推荐算法的有效性。本课题描述的推荐系统已经成功运行在app “咪咕阅读”中,为手机阅读平台带来了良好收益。(本文来源于《北京邮电大学》期刊2017-01-06）
孙明[4]（2015）在《基于语义的信息检索与关联推荐关键技术研究》一文中研究指出随着互联网技术不断向前发展,信息量的增长速度已经到了叹为观止的地步。这样的发展速度导致用户从茫茫信息海洋之中寻找自己需要的信息已经变得十分的困难。搜索引擎的提出与推广从很大程度上解决的用户难于检索信息的麻烦。用户通过向搜索引擎提供搜索关键词,即能方便的找到自己需要的信息。然而传统搜索引擎在不断发展过程中遇到了很大的困难。首先,基于简单关键词匹配的传统搜索引擎检索方法使得搜索引擎无法准确的理解用户的所要表达的语义层面的意义,加大了用户查询信息的难度。其次,搜索引擎通常返回大量的搜索结果,而用户通常只会浏览前面几页或者十几页的结果,导致虽然搜索引擎返回了用户需要的结果,但由于排名靠后,其结果无法被用户看到。最后,虽然推荐系统现已大量运用于电商、在线音乐等等领域,但推荐算法任然存在比如数据稀疏导致推荐准确率下降等等问题。基于以上问题,作者对语义检索及推荐系统进行研究,并在现有成果基础上,提出了一些新方法。本论文主要工作包括:基于软件工程思想提出了一种新的本体库构建方法:螺旋本体法。该方法在本体构建过程中加入风险评估过程,并提出本体构建需要通过不断迭代来保证本体构建的正确性并能够有效的降低开发过程中将会面临的风险。在分析章节作者将螺旋本体法与其他常见的本体构建方法进行对比,指出该方法的优点,并通过protégé本体构建工具使用螺旋本体法构建本体库。提出一种适用于本体的索引结构并对Lucene的评分算法进行改进。首先通过对Lucene现有索引代码及结构的分析,提出一种适用于本体的Lucene索引结构。其次在分析了Lucene现有评分算法的基础上,提出一种综合考虑了查询关键词词频、用户点击量统计、基于经验叁个方面的自动标记关键词权重的方法,并在此基础上对检索结果的本体进行评分,最后依据评分进行排序。通过实验证明,使用该索引结构与更新的评分算法能够提高检索结果。提出基于本体库的协同过滤推荐算法。分析已有协同过滤推荐算法,特别关注用户数据矩阵稀疏的问题,基于已有的本体理论,提出了新的协同过滤推荐算法。并通过实验证明使用基于本体库的协同过滤推荐算法能够提高推荐结果的准确率。(本文来源于《电子科技大学》期刊2015-04-01）
丛维强[5]（2014）在《基于数据仓库和语义分析的社会标签推荐技术研究》一文中研究指出随着Web2.0技术和电子商务的快速发展，网络里的数据量呈爆炸式增长，这导致了网络中出现严重的信息超载问题，用户需要付出相当大的代价才能从信息数据的海洋里检索到自己感兴趣的资源。为了降低这种代价，出现了基于社会标签的推荐技术。社会标签是用户在标注资源时自主选择的关键词或词语，社会标签不仅能够帮助用户更好地组织、管理自己感兴趣的资源信息，而且还可以根据用户使用的标签信息发现用户的兴趣偏好向用户推荐满足其兴趣偏好的资源。那么在此背景下，如何准确有效地向用户推荐标签，以及根据用户的标签记录信息发现用户的兴趣偏好并向其推荐资源就成为当前研究的重要方向。当前的主流标签推荐方法有很多，但是在推荐过程中对用户、资源和标签叁元素之间的关联关系普遍考虑不足，而数据仓库提供的多维数据集正好可以很好地体现叁元素之间的关联关系，所以本文研究如何将数据仓库技术应用到标签推荐中并准确高效的向用户推荐标签；但同时由于数据仓库中叁元素间的语义关系不能得到很好的体现，所以本文还提出了基于加权元组潜在语义分析的社会标签推荐模型。以下是本文的主要工作：1.针对标签推荐过程中用户、资源和标签之间关联关系考虑不足的问题，给出了基于数据仓库技术的社会标签推荐模型。该模型中采用了数据仓库的多维数据集技术，构建标签的多维数据集，建立数据挖掘模型，利用它的底层多维数据模型、OLAP分析功能对数据进行处理分析，并使用数据仓库的Microsoft关联规则技术挖掘多维标签数据集中的规则实现社会标签推荐，从而通过使用数据仓库技术有效解决在推荐过程中对用户、资源和标签叁者之间的关联关系考虑不足而导致推荐精确性不高的问题。2.针对使用数据仓库技术进行标签推荐时不能很好的体现出用户、资源和标签之间语义关系的问题，给出一种基于加权元组潜在语义分析的标签推荐模型。该模型引入社会网络的结构化分析方法对标签元组进行量化加权，以构建加权的叁维张量结构模型，并对生成的叁维张量结构模型进行高维奇异值分解，然后通过元组的潜在语义分析，得到能体现用户兴趣度的加权元组集，产生推荐结果集，从而解决因用户、资源和标签之间的语义关系考虑不足导致的推荐结果精确性和有效性低的问题。通过来自典型大众标注网站Delicious中的用户标注数据集,验证基于数据仓库技术的社会标签推荐模型和基于加权元组潜在语义分析的社会标签推荐模型，均能够取得较好的推荐效果。(本文来源于《江苏科技大学》期刊2014-03-10）
贾翕[6]（2013）在《结合语义网技术的类型转换序列推荐研究》一文中研究指出由于软件系统规模日益扩大，为了提高开发效率，在很多软件系统的开发过程中都采用了大量的成熟的框架。然而，开发人员大多对于所使用的框架不熟悉，在开发过程中不知道如何在当前程序环境获取特定类型的实例。而如果通过查阅文档和阅读代码进行学习，将会耗费大量的精力。因此需要代码推荐工具来提高程序开发的效率。在代码推荐的众多场景中，上述类型转换序列推荐场景极为常见。如何能在该场景下，对开发人员提供有效的帮助，成为了众多研究者感兴趣的问题。在以往的工作中，研究者们提出了两类代码推荐方法，基于历史代码的推荐方法和基于程序环境信息的推荐方法。基于历史代码的推荐方法在推荐过程中，推荐系统根据当前开发环境与已有的历史代码进行比较，找出相似场景的样例代码推荐给开发人员。而基于程序环境信息的推荐算法，则根据通过挖掘程序代码信息，寻找类型转换的关系，结合当前开发环境给出可能的类型转换序列。这两种方法都存在着一定的缺陷，基于历史代码的推荐方法无法保证历史代码的质量，而基于程序环境信息的推荐方法在推荐全局静态方法时会存在空间爆炸问题。语义网技术使得计算机能够面向数据而不是文本内容从而为人类提供智能服务。计算机根据本体中所定义的类及属性以及推理规则可以进行一定的判断与推理。这使得计算机可以代替人来完成信息的收集、整理、检索等工作。而类型转换序列推荐问题需要计算机在推荐过程中理解代码之间的关系并能够对代码进行有效的检索和整理，语义网技术为解决该问题提供了新的思路。语义网技术近几年发展较快，已经在一些领域取得了一定的成果。在程序语言领域，已有研究者将语义网技术应用到软件版本演化和代码克隆检测中，这也为使用语义网技术解决类型转换序列推荐问题奠定了良好的基础。本文结合语义网技术，对现有基于程序环境信息的类型转换序列推荐方法予以改进，提出了一套完整的类型转换序列的推荐方法。该方法在选取静态方法入口点时，通过可达性分析削减了入口点数目，较好地解决了现有推荐方法中可能遇到的空间爆炸问题，因此能够对于静态方法给出较好的推荐结果。基于本文提出的方法，本研究实现了相应的Eclipse插件。与现有工具对比实验结果表明，本文提出的方法不仅可以在静态方法的推荐过程中给出较好的推荐结果，同时在普通类型转换序列的推荐过程中，也有效地提高了推荐效果，达到了预期工作目标。本文的工作内容和成果有以下几点：1）分析了现有的类型转换序列推荐技术，吸取现有基于程序环境信息推荐方法的优点，弥补其不足，提出了一套完整的类型转换序列推荐方法。2）针对类型转换，建立了相应的本体模型，使用SWRL推理规则对类型可达性进行分析，解决了静态方法推荐过程中可能出现的空间爆炸问题。3）基于本文所提出的方法，以Eclipse插件的形式，实现了便于开发人员使用的代码推荐工具。4）选取合适的开源项目作为实验的基准程序，验证了本文所提出的推荐方法的有效性。(本文来源于《上海交通大学》期刊2013-12-01）
周由,戴牡红[7]（2013）在《语义分析与TF-IDF方法相结合的新闻推荐技术》一文中研究指出在新闻项目的推荐系统中,通常使用TF-IDF权重技术结合余弦相似性度量方法,然而这种技术没有考虑到文字本身的实际语义,因此,提出了基于内容和语义分析相结合的一种新方法。此方法将同义词集合的逆文档频率及语义相似性相结合,采用WordNet同义词集合做相似性计算。构建用户配置文件进行实验测试,验证了该方法的有效性。实验结果表明,提出的语义方法性能优于TF-IDF方法。(本文来源于《计算机科学》期刊2013年S2期）
段利国,陈俊杰[8]（2012）在《综合句法结构及语义相似度的问题推荐技术》一文中研究指出针对因特网上的大规模问答对资源提出一种新的应用,即在问答系统中加入基于百度知道平台构建的大规模问答对库,通过相似度计算,把库中最相似的问题推荐给用户。实验下载网页10500个,成功提取问答对4687个,运用关键词的TF/IDF、树核函数的句法匹配及问句的语义距离3种方法中的一种、两种和叁种进行实验,分别获得79.44%,81.67%和88.33%的准确率。结果表明,综合运用多种方法查找相似问题,效果更好。(本文来源于《计算机科学》期刊2012年01期）
李晓建[9]（2010）在《基于语义的个性化资源推荐系统中关键技术研究》一文中研究指出随着信息时代的来临以及互联网技术的发展和普及,人们对自身周边信息的重视度以及信息获取的要求越来越高。互联网已经成为信息领域的百科全书。但是,互联网作为一个信息空间具有开放性、异构性、分布式、管理非一致性等特性,而且具有极快的更新和进化速度,对于用户而言,如此巨大、无序的互联网信息空间中,使其真正感兴趣的信息实为沧海一粒。面对如此海量的信息,如何快速、准确地找到符合用户要求的信息,引起了广大学者的关注。通过大量的研究,有关学者提出可以通过构建个性化资源推荐系统,基于用户的资源偏好帮助用户在系统中找到最符合用户要求的资源。目前用于构建上述资源推荐系统的主要技术有很多,但在实际的应用环境中,资源推荐的准确性一直无法得到有效地提高,其主要原因包括：1)缺乏有效地资源描述模型；2)基于当前算法和技术生成的用户偏好模型,往往因为系统采集的用户偏好数据不足而无法正确的反应用户偏好；3)资源推荐的算法规模因系统中资源数据量的庞大而得不到有效地控制,过大的系统开销制约了系统的高效运行。本文将基于本体的语义技术引入资源推荐系统中,尝试从各方面解决上述问题,主要内容包括：(1)基于本体的资源描述建模使用多继承式级层结构的本体构建资源描述模型,以更加有效地提取资源间的关系；从本体结构中抽取描述概念的语义关联和背景知识,降低用户对资源的认知要求；同时利用语义信息,系统可以使用本文提出的算法从已有的信息中推理出新的信息,用来补足用户偏好数据不足的缺陷,使得偏好获取的过程更加简单和高效。(2)用户偏好的推理机制基于资源描述本体模型中描述的用户概念偏好和抽取自本体结构的语义信息,通过概念之间语义关联的计算,找到语义相似度最近的概念,实现用户偏好在概念之间的语义推理传递,解决用户偏好数据采集不足时,用户模型的正确有效构建之问题,以提高资源推荐的准确性。(3)概念间语义相似度度量算法基于对用户评分推理过程的研究,由本体结构中抽取出的概念间语义信息,通过对比用户对概念的评分描述概念间共享的特征,使用对概念推理传递评分的量化计算,描述概念间共享特征的程度,以衡量概念间的相似关系,当概念间共享的特征越多则概念越相似。(4)本体的自动构建及个性化计算在实际的应用环境中,通常没有存在的领域本体,本文通过研究资源推荐系统中用户与资源的关系,提出使用聚簇算法自动创建本体的方法,基于聚簇算法中不同条件函数的应用,构建若干个独立的简单树型结构本体,并依据缩小用户偏好推理过程中可能的推理偏差原则,寻找最符合用户偏好的资源描述本体,有效的提高个性化资源推荐的准确度；同时通过对经典聚簇算法的扩展给出构建具有多继承级层结构的本体算法,进一步改进推荐系统的准确程度。(5)资源推荐语义模型综合所有创新的算法和技术,给出了一个基于用户偏好的语义个性化资源推荐模型框架。并通过具体实验证明了使用该模型能够比经典的协同过滤模型取得更好的资源推荐效果。(本文来源于《武汉大学》期刊2010-05-01）
闫祥雨[10]（2010）在《基于语义Web技术的推荐系统研究》一文中研究指出随着Internet的发展,网上的信息资源呈指数级增长。在浩若烟海的互联网信息中,用户要找到有用的信息变得非常困难。这是因为用户对信息需求的有限性、特定性和互异性与网上信息资源分布的分散性和无限性存在矛盾;另外,现有的搜索引擎并没有提供很好的个性化服务。因此,如何通过分析用户的兴趣偏好建立用户模型,从而来向用户提供良好的个性化服务成为研究的热点课题。用户模型是个性化服务系统中的关键技术。个性化服务系统首先需要建立用户模型,然后才能针对不同用户的不同兴趣偏好提供个性化服务。传统的用户模型大都是使用关键词来表征用户兴趣,没有考虑词与词之间内在的联系,没有使用信息源本身的领域知识为用户兴趣模型的构建服务。为了向用户提供更好的个性化服务,本文提出一种基于语义Web技术的推荐系统,并重点对其中的用户模型进行了研究。本文的研究工作主要包括以下几个方面:(1)本文通过对用户模型进行分析,提出了一种新的用户模型。该模型基于所建立的兴趣分类本体,通过实例化兴趣分类本体来获得每个本体化用户描述文件。本文借鉴了信息检索领域常使用的激活扩散模型来完成用户模型的更新。(2)本文针对层次结构的用户兴趣表示方法,对传统的基于内容的推荐方法进行了改进。在向用户进行推荐时,本文充分考虑了用户兴趣层次结构中的各概念的兴趣值的作用,通过计算把各个类别概念的兴趣值加入了用户兴趣向量中。这样能更好的反映用户的兴趣。(3)本文在所研究的理论基础之上,实现了一个基于语义Web技术的推荐系统,用于帮助政府部门来完成舆情分析的工作。在该系统框架中,主要包括叁个模块:新闻信息收集处理模块、用户模型模块和推荐策略模块。在新闻信息收集处理模块,通过从新闻网站抓取新闻及其评论信息来完成信息采集,并对每条新闻下的评论信息进行了简单的聚类处理。用户模型模块采用了本文所提出的基于本体的用户模型和更新方法。我们首先建立了一个新闻领域的兴趣分类本体,然后通过实例化来得到用户描述文件,并用激活扩散模型对用户模型进行更新。推荐策略采用的本文改进的基于内容的推荐方法。最后,通过该系统来验证了本文提出的用户模型。(本文来源于《太原理工大学》期刊2010-05-01）
语义推荐技术论文开题报告
（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：
随着互联网的快速发展,网络上出现了越来越多的视频。在科学研究以及商业领域对视频信息的需求也愈发强烈,对于普通用户而言,能快速准确地从海量的视频库中找出感兴趣的视频并不容易,因此,视频推荐成为了一个热门的研究方向。并且,随着越来越多的用户上传自己拍摄的视频,各大视频网站越来越重视这些自创视频。然而,传统的基于协同过滤的推荐系统在面对这些无标签、无文字描述信息的视频时并不能取得很好的效果。所以,本文旨在从视频语义角度出发,通过发掘视频所表达的语义,完成基于视频语义的推荐,并通过结合视频多源异构信息,实现基于多源数据的视频推荐。本文的主要工作概况如下:本文首先明确了视频语义结构的定义(在本文中,主要研究体育类视频)介绍它们在视频检索以及视频推荐中的重要作用。接着,本文提出了两种视频语义提取方法,第一种是基于监督学习的视频语义提取方法,该方法使用3D卷积神经网络(C3D)提取视频帧的静态语义和连续帧序列的动态语义,然后使用连续时序分类(CTC)算法完成对视频语义的整合,将视频语义提取问题转化为了视频语义序列解码的问题,并通过实验证明该方法提升了3D卷积神经网络在视频语义提取上的准确度。第二种是基于非监督学习的视频语义提取方法,该方法同样使用C3D提取视频帧序列的语义,为了解决C3D-CTC对未标注视频语义提取准确度低的问题,本文使用递归自编码器对C3D提取出的帧语义序列进行压缩整合,得到视频的语义特征,并通过实验证明该方法比基于关键帧语义提取的方法在聚类结果上效果更好。基于以上两种视频语义提取方法,本文提出了一种基于视频语义相似度的推荐算法,以解决传统协同过滤算法无法解决的冷启动问题。接着,本文研究了视频描述信息在解决冷启动上所具有的优点,将视频描述信息与视频语义相结合,提出了一种基于多源数据的视频推荐算法。最后,本文分析了推荐系统的设计与实现方式,并通过实验证明了该方法在推荐准确率上比传统方法有了一定的提升。
（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。
语义推荐技术论文参考文献
[1].刘伟.基于语义分析的农业新技术推荐系统的设计与实现[D].中国农业科学院.2019
[2].王芷若.基于多源数据的视频语义分析与推荐技术研究[D].电子科技大学.2018
[3].李洺吉.语义分析技术在手机阅读实时推荐系统中的应用[D].北京邮电大学.2017
[4].孙明.基于语义的信息检索与关联推荐关键技术研究[D].电子科技大学.2015
[5].丛维强.基于数据仓库和语义分析的社会标签推荐技术研究[D].江苏科技大学.2014
[6].贾翕.结合语义网技术的类型转换序列推荐研究[D].上海交通大学.2013
[7].周由,戴牡红.语义分析与TF-IDF方法相结合的新闻推荐技术[J].计算机科学.2013
[8].段利国,陈俊杰.综合句法结构及语义相似度的问题推荐技术[J].计算机科学.2012
[9].李晓建.基于语义的个性化资源推荐系统中关键技术研究[D].武汉大学.2010
[10].闫祥雨.基于语义Web技术的推荐系统研究[D].太原理工大学.2010