导读:本文包含了项目相似度论文开题报告文献综述及选题提纲参考文献，主要关键词:矩阵分解,项目属性相似度,协同过滤,推荐算法
项目相似度论文文献综述
宋志理,胡胜利[1]（2019）在《融入项目属性相似度的矩阵分解算法》一文中研究指出为了解决协同过滤算法中的数据稀疏性问题,本文提出一种融入项目属性相似度的矩阵分解算法(IS-MF)。IS-MF算法首先根据矩阵分解对原始评分矩阵降维;然后计算项目属性相似度预测再去填充原始评分矩阵的缺失数据;最后在填充后的矩阵基础上计算预测得分产生推荐。在真实的MovieLens数据集上进行实验,得出本文提出的IS-MF算法使得推荐的效果极大提高了。(本文来源于《电脑知识与技术》期刊2019年16期）
王鑫[2]（2019）在《文本相似度在综合计划的专项项目可研评审工作中的应用》一文中研究指出近年来国家电网公司不断深化综合计划管理,在原来的基础上共设置了电网基建、生产技改、生产大修、小型基建、零星购置、非生产技改、非生产大修、营销授投入、信息化投入、研究开发、管理咨询、教育培训、产业基建、产业技改、产业大修、股权投资16个专须项目。这不仅是强化了项目管理，而且对经研院的评审支撑作用提出了更高的要求。这就需要经研院的评审人员从专业和技术经济角度,充分论证项目必要性,评审人员需要严格按照国家和公司相关标准要求,优化实施方案和设备选型,明确项目投入估算。因为西藏经研院从事评审工作的人员较少,所以每一位评审人员都需要阅读大量的专项项目可研送审报告,然后判断其可研送审报告内容是否完整,建设是否必要、方案是否可行、估算是否准确。针对上述问题,本课题通过文本相似度在可研评审工作中的应用,开展专项项目可研送审报告的预审工作,为评审人员的评审工作提供辅助作用,为其判断该专项项目可研送审报告是否应用专项项目可研报告模板以及专项项目可研送审报告内容是否完整。本文简要对文本相似度算法的国内外研究现状进行了介绍分析，阐述其基本原理和优点,并提出其存在的局限性,从而开展论文所提出的基于隐性狄利克雷分配(Latent Dirichlet Allocation，LD.A)的相似度度量算法为基础的相关工作。本文通过停用词过滤、分词及诃频统计、文本主题挖掘、文本聚类和评估结果搭建完成文本相似度计算实验。本文利用阿里云的PAI平台实现文本相似度计算实验。该实验已经在不同的专项项目可研送审报告得到了应用,已经取得明显的效果。其提高了项目评审的工作效率,对专项项目可研送审报告进行了预审,剔除内容不全的专项项目可研送审报告,使评审人员把更多的精力放在审核符合预审要求的报告上,对其建设必要性、方案是否可行等方面的审查,进而提高了可研评审质量,为综合计划管理提供了支撑。(本文来源于《电子科技大学》期刊2019-05-16）
赵作成[3]（2019）在《基于用户相似度和项目相似度的加权Slope One算法优化》一文中研究指出根据不同用户的兴趣特征,个性化推荐技术进行有针对性的推荐,该技术的核心在于推荐算法的设计,算法设计的越好,推荐效果就越好。目前推荐算法可以分为基于内容的过滤算法(Content-filtering algorithm,简称Conf-algorithm)、协同过滤算法(Collaborative-filtering algorithm,简称Colf-algorithm)和混合推荐算法(Hybrid recommendation algorithm,简称HR-algorithm),其中的协同过滤算法又可以细分为基于内存的协同过滤和基于模型的协同过滤。本课题优化的加权Slope One算法属于基于内存的协同过滤算法。加权Slope One算法作为一种基于内存的协同过滤算法最大的优势是原理简单,易于实现,执行效率高,并且预测评分的准确度相对很高,而且它们支持在线查询和动态更新,这使得它成为现实世界中推荐算法的优秀候选者。不同于传统的协同过滤算法,加权Slope One算法并不计算项目或用户之间的相似度,而是使用一个简单的线性回归模型来预测评分,毫无区别地使用所有用户和项目的数据很可能对目标项目的评分预测造成偏差,进而影响推荐质量。针对加权Slope One算法没有充分考虑用户之间、项目之间的内在关联问题,本课题提出了基于用户相似度和项目相似度的加权Slope One算法优化策略,主要工作如下:1.针对加权Slope One算法在计算项目对间评分偏差均值时未考虑到不同用户与目标用户之间可能存在的关联,本课题将用户间的相似度作为权重因子引入到原有的算法公式中。在用户相似度的计算方式上,提出一种改进的Pearson相关系数策略,采用Pearson系数与归一化的欧几里得距离线性组合的方式弥补Pearson相关系数计算用户相似度的不足,同时在对目标用户最近邻集的选择上,提出一种相似度支持度的筛选策略。实验分析了杰西卡系数、余弦相似度、Pearson相关系数和改进的用户相似度计算方式在训练数据集的预测评估指标的表现。2.针对加权Slope One算法没有考量已被评分过的项目与待预测项目间的相关性,提出将项目相似度作为一个参数引入到原算法中。设计了一种新的项目相似度计算方式并整合到原有的计算公式中,该方式综合项目的类型标签相似度和项目评分相似度整体反映出项目间的相似度。改进后的算法将用户相似度和项目相似度作为权重因子加入到原始公式中,在提升了评分预测的准确度的同时增加了计算复杂度。通过在Movie Lens数据集的实验分析表明,优化后的算法在原有算法的基础上提高了3%-4%的准确率,并与其他两种加权Slope One算法的优化方法相比,取得了更好的评分预测准确度。(本文来源于《吉林大学》期刊2019-04-01）
宋勇建,宋金玲,张正阳,许佳松,赵家琳[4]（2019）在《基于项目评分预测与用户多相似度的协同过滤推荐算法》一文中研究指出根据项目之间的相似性预测用户对未评分项目的评分,解决协同过滤推荐的数据稀疏性问题。在此基础上,分别从用户评分、用户属性、用户历史行为等角度对用户的相似度进行衡量,并综合各种相似度用来计算目标用户的最近邻居。最后,综合利用项目评分预测和用户多相似度,提出一种改进的协同过滤推荐算法。(本文来源于《现代化农业》期刊2019年03期）
迟玉良,祝永志[5]（2018）在《项目相似度与ALS结合的推荐算法研究》一文中研究指出协同过滤算法是当今推荐系统普遍使用的一种推荐算法。面对单机模型已逐渐承受不了大数据给推荐系统带来的负荷问题,提出基于Spark平台的一种项目相似度与ALS相结合的协同过滤推荐算法。它基于Spark分布式并行计算框架,可提高预测计算效率,减少系统响应时间。同时使用"基于项目相似度的协同过滤"与"交替最小二乘的协同过滤(ALS)"相结合的一种混合推荐方法,可提高系统推荐精度。通过在MovieLens数据集上的实验结果表明,该算法在算法融合与推荐精度上有着很好的效果。(本文来源于《软件导刊》期刊2018年06期）
陈伟[6]（2018）在《基于项目权重的用户相似度推荐算法研究》一文中研究指出随着互联网数据规模的不断增长,用户无法准确迅速的找到自己需要的资源,在解决信息资源过载这一问题上,相关学者们商讨了多种应对技术方案,其中推荐系统就是目前比较优秀的信息过载解决方案。推荐系统是一种针对用户的个性化信息处理系统,能够很好地充当用户和信息资源之间的枢纽。推荐系统首先会针对服务对象建立用户个人模型,其次对用户的爱好需求进行分析描述,最后在约定好的推荐策略下将相应的信息主动的推荐给目标用户。相比于搜索引擎等信息处理工具,推荐系统在信息处理上具有更加智能化与个性化的特点。目前在线电子商务网站以及社交、视频网站等互联网系统都已经用上了推荐系统,并且在这些网络平台起着核心的作用。在众多推荐系统方式中,协同过滤推荐系统是当前学者研究比较深入、应用领域比较宽的一类推荐方式。协同过滤推荐算法的核心是通过寻找目标用户最近邻用户评分高的项目,最近邻用户的确定主要是靠用户和项目之间的相似度值。目标用户最近邻用户的可信度与准确度越高,其推荐的结果在质量与效益层面上就会更好,所以推荐系统能否成功的发挥其作用就在与研究者设计的相似度计算方法。本文介绍了推荐系统的形成原因以及在目前互联网大环境发展下推荐算法的个性化应用,与此同时,我们详细介绍了基于用户行为、内容、近邻、情境感知推荐系统,对各自的推荐原理做了相应的说明,使读者能够了解不同推荐系统的整体实现架构。作为推荐系统中核心的相似度算法,我们主要介绍了皮尔逊相关系数以及夹角余弦相似度作为主要算法在推荐系统中的实现,并对常见的评估系统推荐质量的指标做了相应的介绍。目前的推荐算法中,用户间共同评分项目的高、低评分项目参与计算的比重是一样的,而推荐系统的推荐目标是推荐用户间都喜爱的项目,一视同仁的考虑高、低评分项目权重,只会降低推荐任务的推荐质量,得不到用户想要的结果。在此基础上,我们通过查阅相关资料提出本文的基于项目权重的用户相似度推荐算法研究。通过对用户相似度算法的改进,以及在MovieLens电影数据集的实验测试,我们发现考虑项目权重的相似度推荐算法相比于传统的不区分高低评分项目的算法,在推荐准确性、评分预测、推荐质量上会有显着的提高。(本文来源于《青岛大学》期刊2018-05-18）
周强,胡燕[7]（2019）在《融合图片相似度缓解新项目冷启动问题的研究》一文中研究指出针对推荐系统中因新项目的加入而造成的冷启动问题,在矩阵分解模型的基础上提出了融合项目图片相似度和类别属性的协同过滤推荐模型USPTMF-CFIA。首先,采用基于用户偏好和时间权重的矩阵分解模型,对评分缺失项进行预测填充;然后,利用VGG16神经网络提取项目图片特征,并结合类别属性计算新项目与历史项目的相似度,得到近邻项目;最后,根据新项目与近邻项目之间的相似度预测用户对新项目的评分,将评分高的前N个项目推荐给对应用户;通过在Group Lens提供的数据集上的实验证明,该模型的推荐准确率比MAPBPR模型高0. 006～0. 015,比传统协同过滤模型高0. 02～0. 028,比没融合图片相似度的USPTMF-CFA模型高0. 001～0. 003,比ACMF模型高0. 001～0. 002。(本文来源于《计算机应用研究》期刊2019年08期）
Willy,Wijaya[8]（2017）在《基于项目属性相似度的协同过滤算法研究》一文中研究指出网络内容的增加造成了数据的过载,并创造了多样化的数据信息。大量的数据和各种各样的选择导致用户在决策方面的困惑。由于决策不善,某些信息可能会丢失和曲解。解决问题的办法是应用推荐系统,帮助用户过滤信息和预测正确的决策。协作过滤是流行推荐系统技术之一,自发明以来已经得到极大的改进。协同过滤技术的原理是基于其他邻居的相似评价的识别。推荐系统不会立即简化用户的决策,因为推荐系统本身存在一些挑战和问题。例如,冷启动、数据的稀疏性、数据规模巨大、特殊用户、托攻击,多样性和长尾等问题泛滥等问题。本文研究了多个当今最先进的推荐技术,例如Amazon.com的商品过滤、Netflix挑战研究的dyadic数据分析、Google新闻的可扩展在线协同过滤、Mymedialite推荐系统库。第一个研究是Amazon.com的商品协同过滤。通过比较用户的行为,亚马逊选择了计算采购产品之间的余弦相似度方法,为特定用户选择和建议最相似的产品。亚马逊有大量的信息是亚马逊利用这种方法原因之一。商品-商品协同过滤的优点是:能够处理大数据集,实时推荐结果和用户聚类模型,缺点是需要大量的离线训练时间。第二个研究结构迭代法的并行数据研究。该研究本身使用了矩阵分解,这种常用的工具用于处理数据分区,以最大化数据局部性和并行性。dyadic数据研究的优势是能够通过分解数百万个具有数十亿非零值的矩阵来分布式计算,并且在分布式Map Reduce集群上变得可行,缺点是在稀疏问题上计算量较大。第叁个研究是关于可扩展在线协作过滤的研究。此项研究是谷歌用来研究新闻数据的大动态性。Google新闻个性化采用了几种方法,如概率潜在语义索引(PLSI)和Min Hash过滤来确定提供新闻建议的最佳方法。Google新闻协同过滤的优势在于动态预测,Google新闻的离线培训能够提供可随新消息即时更改的动态建议;缺点是无法运行大型数据集,同时保持在磁盘上需要很长时间。最后的研究是Mymedialite图书馆的研究。Mymedialite是进行研究推荐系统的图书馆的几个组织之一。Mymedialite研究的意义在于服务于隐含和显性评价的数据收集两个常见情景。本文主要介绍了推荐系统的方法,类别,技术,问题和近期研究等实际情况,并且结合两项相似度(距离相似度和属性相似度)得以实现。本文将该方法应用于推荐系统的叁个阶段,即信息收集阶段,学习阶段和预测/推荐阶段。信息收集阶段是预处理阶段,处理包含13283个电影,22032个用户和156278个评级的Movie Tweetings数据集来产生所需数据集。该Movie Tweetings数据集通过ratings.dat(以userid,movieid,rating和timestamp的格式)和movies.dat(具有movieid,电影标题,类型的格式)分成两个数据集评级数据集(用户标识,电影标题和评级)和电影数据集(电影和电影类型)。数据设置使用后,系统将对用户行为进行检查,计算用户之间的相似距离将该数据集被分成叁个矩阵:存储在系统中的电影评级,电影标题和电影类型,然后可以进入学习阶段。在第二阶段或学习阶段,系统使用前一阶段准备好的数据集,基于距离相似度和类别相似度来检查用户之间的相似度。用户之间的距离相似度由欧式距离相似度技术计算,因为它被认为是最快的相关相似度技术之一。欧几里得距离用来比较特定项目的用户实际评分之间的相似度。在另一种情况下,使用Jaccard指数相似性技术来计算类别相似度。Jaccard指数相似性可以确定两个用户的偏好的交集。第叁阶段即预测/推荐阶段为每个用户计算多个商品项的预测。预测是通过两种方法估计的,即CFSIA-1和CFSIA-2。CFSIA-1利用了与类型相似度的距离相似度乘法,CFSIA-2定义了距离相似度和类型相似度概要的平均值。在得到预测评分后,通过将评分从高到低进行排序来完成推荐。为了评估以上方法预测的准确性,本研究使用了两个评估指标度量:均值绝对误差和均方根误差。平均绝对误差和均方根误差。平均绝对误差被认为是衡量推荐系统精度的一种直接方法,均方根误差被认为是度量数值预报方法的一个很好的应用。实验结果在不同的环境下进行了数次。首先是对整个数据集精度的测试,其次将其应用于用户平均评分项目平均评分,随机评分,流派相似性评分,距离相似性评分,CFSIA-1评分和CFSIA-2评分等7种推荐系统。在整个数据集测试中,所提出的方法CFSIA-1和CFSIA-2的准确性显示出了令人满意的结果,即使距离相似性评分略高于两种提出的方法。测试的第二个环境是对几个已经评出40部或更多电影的用户进行测试。第叁个测试与第二个测试类似,但测试应用于几个用户,他们的评分为20项或更低。对4种推荐系统的类型相似度、距离相似度、CFSIA-1和CFSIA-2进行了二次测试和第叁次测试。第二个和第叁个测试目的是进一步研究这4种方法的优缺点。最后的测试结果证明了距离相似检验的优越性。最后的测试结果证明了距离相似检验的优越性。在常用的等级预测方法中,距离相似效果很好,但对于许多存在多样性和长尾等问题泛滥问题的项目,该方法都具有独特的优势。进一步的实验是检查所提出的方法的强度。实验包括多样性和长尾等问题分析,特殊用户分析,托攻击分析和相似性相关分析。多样性和长尾等问题分析是通过检查数据集的多样性来检验的,它得出的结论是,数据集中的大多数评级只是发生在新的未来项目上(按年计算)和热门项目(按等级)。新的和流行的项目越来越受欢迎,同时旧的和不受欢迎的项目是淹没在数据集。这种情况正在影响项目预测的计算。有了不平衡评级,预测可能不太准确。评级数据集中可能出现的另一个问题是特殊用户和托攻击。为了测试这个问题,对数据集进行随机评分。对提供的数据集进行特殊用户和托攻击测试的结果表明,所提出的方法CFSIA-1对于随机等级攻击是鲁棒的。除推荐问题分析外,本文还采用相似相关分析法对所提出的方法进行了优化。方法优化的目标是通过每个相似优势的选择过程来减少预测误差,提高精度。为了达到优化目标,在CFSIA-1方法上应用阈值测试。阈值是找出距离相似度和风格相似度的最佳平衡。一旦阈值被分配,优化的CFSIA-1的结果比包括距离相似性方法在内的其他方法的结果更好。为了评估CFSIA-1的优化方法,应用线性回归分析测试。比较回归模型是传统线性回归模型(TLRM)和相似回归模型(SRM)。TLRM方法使用两个变量进行预测。用户A评分的预测是基于用户B评分。SRM方法使用叁个变量进行预测。用户A的预测是基于其他用户评分以及其他用户之间的相似度。用准确性,速度性能和数据丢失性能来比较优化的CFSIA-1和线性回归方法。SRM方法在计算精度上优于OCFSIA-1,CFSIA-1和TLRM。SRM方法的精度在MAE计算中相差0.04076,在RMSE计算中相差0.14049。即使SRM方法的准确性略微胜过OCFSIA-1,它在整个数据集测试中损失了14%的数据丢失和多用了49%的处理时间。对于几组用户的测试结果,SRM的准确性也稍微优于OCFSIA-1,但仍然有数据丢失(8%-10%),使用了更长处理时间(超过100%)。在不考虑大量数据损失和更长的执行时间的情况下,与这两种方法相比,OCFSIA-1可以被认为是最有效的。综上所述,CFSIA-1优化的结果能够克服这一弱点,克服其他技术的精度。综上所述,优化后的CFSIA-1算法在多组实验测试的基础上,在处理多样性和长尾等问题、特殊用户和托攻击方面都优于任何其他方法。本文的结论来自评级数据集的预测一致性、所有项目的平均普及率以及对评级数据集的攻击鲁棒性。因此,本文的贡献可以概括为利用属性相似度和距离相似度结合处理多样性和长尾等问题、特殊用户问题和托攻击问题而不降低预测精度和速度的新方法表示。(本文来源于《哈尔滨工业大学》期刊2017-07-01）
郭浩[9]（2017）在《基于似然比相似度和项目类型相关性的加权Slope One算法研究》一文中研究指出互联网中信息规模的爆炸式增长,满足了用户对信息的需求,但庞大的信息量使得用户难以快速定位到有用信息,导致了信息过载问题的出现。个性化推荐技术是一种面向用户进行个性化推荐的有效手段,其核心是推荐算法。协同过滤推荐算法因其预测准确度高、不受项目类型限制等优点受到大众的喜爱。本文对其中的Slope One算法进行深入研究,该算法由于计算简单高效等优点受到人们的广泛关注。但是,该算法缺乏对用户及项目相似度的考虑,且计算过程中内存消耗大、预测结果相较于传统协同过滤算法的优势并不明显。为了解决上述问题,本文对相似度计算方法和算法处理流程加以改进,提出基于似然比相似度和项目类型相关性的加权Slope One算法。所做的主要工作如下:一是针对Slope One算法在计算中未考量用户间可能存在的相互关联,本文将用户相似度加入到算法处理中,提出似然比相似度的计算方法,该方法借鉴染色体的连锁遗传的相关思想,结合推荐系统相关数据的特点,改善了传统相似度计算方法的缺陷,提高了近邻用户的筛选质量,为推荐预测提供良好的数据基础。二是针对现有对项目相似性衡量的方法中没有考虑过项目类型的影响,本文提出使用项目类型相关性来考量项目间的关系。该方法从项目自身的所属类型和项目的评分数据两个方面来综合计算项目间的相似关系。并且考虑到Slope One算法是利用评分偏差来预测评分的特点,提出了一种项目筛选策略,达到了稳定评分差、得到局部较为密集的用户-项目评分矩阵的目的。最后对所提方法进行了实验对比分析,实验表明所提算法与现今流行的推荐算法相比有较高的预测准确度。论文结构分为叁个部分:首先分析本文的研究背景和意义,整理相关文献形成综述;然后提出用户似然比相似度的计算方法,并为进一步提高算法性能给出项目类型相关性的计算方法和项目筛选策略;最后对该算法进行实验分析和性能评估,给出总结与展望。(本文来源于《辽宁大学》期刊2017-05-01）
王斌[10]（2017）在《融合项目属性相似度和评分相似度的协同过滤推荐算法》一文中研究指出互联网技术的日益成熟以及互联网用户的高速增长,使得越来越多的行业和企业加入到互联网中来,导致互联网信息的急剧增长。面对越来越多,越来越复杂的信息,用户无法及时的准确的从海量的信息中选取满足自身需求的信息,这就是“信息过载”问题。为了解决该问题,各种个性化推荐系统应运而生,其中应用的最成功和成熟的技术是协同过滤,但是日趋增长的用户数量和项目数量,以及信息的有效性和及时性都对协同过滤推荐算法提出了更严峻的考验。本文重点研究协同过滤推荐算法,在传统协同过滤推荐算法的基础上,进行了改进,针对传统协同过滤推荐算法中数据稀疏和低流行度项目被推荐率低等问题,提出了一种融合项目属性相似度和评分相似度的协同过滤推荐算法。本文的主要研究内容如下:首先,针对传统协同过滤推荐算法中用户项目评分矩阵的数据稀疏问题,考虑到项目属性对项目相似度计算的影响,提出一种融合信息熵的加权Jaccard系数的属性相似度计算方法,能够有效的缓解数据稀疏问题,提高相似度计算的准确性。其次,针对传统协同过滤推荐算法中的相似度计算准确性差,低流行度项目被推荐率低等问题,考虑用户活跃度和项目流行度对项目相似度计算的影响,引入相关性惩罚因子,提出一种融合用户活跃度和项目流行度的评分相似度计算方法,在保证推荐精度的情况下,提高了低流行度项目的被推荐率。再次,结合两种改进的相似度计算方法,提出一种融合项目属性相似度和评分相似度的协同过滤推荐算法,通过将计算得到的属性相似度矩阵和评分相似度矩阵线性组合,得到项目的综合相似度矩阵,使用TOP-N推荐得到项目的最近邻集合,并将推荐结果反馈给用户。最后,选取MovieLens数据集进行仿真实验,与传统的协同过滤推荐算法进行对比实验。(本文来源于《燕山大学》期刊2017-05-01）
项目相似度论文开题报告
（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：
近年来国家电网公司不断深化综合计划管理,在原来的基础上共设置了电网基建、生产技改、生产大修、小型基建、零星购置、非生产技改、非生产大修、营销授投入、信息化投入、研究开发、管理咨询、教育培训、产业基建、产业技改、产业大修、股权投资16个专须项目。这不仅是强化了项目管理，而且对经研院的评审支撑作用提出了更高的要求。这就需要经研院的评审人员从专业和技术经济角度,充分论证项目必要性,评审人员需要严格按照国家和公司相关标准要求,优化实施方案和设备选型,明确项目投入估算。因为西藏经研院从事评审工作的人员较少,所以每一位评审人员都需要阅读大量的专项项目可研送审报告,然后判断其可研送审报告内容是否完整,建设是否必要、方案是否可行、估算是否准确。针对上述问题,本课题通过文本相似度在可研评审工作中的应用,开展专项项目可研送审报告的预审工作,为评审人员的评审工作提供辅助作用,为其判断该专项项目可研送审报告是否应用专项项目可研报告模板以及专项项目可研送审报告内容是否完整。本文简要对文本相似度算法的国内外研究现状进行了介绍分析，阐述其基本原理和优点,并提出其存在的局限性,从而开展论文所提出的基于隐性狄利克雷分配(Latent Dirichlet Allocation，LD.A)的相似度度量算法为基础的相关工作。本文通过停用词过滤、分词及诃频统计、文本主题挖掘、文本聚类和评估结果搭建完成文本相似度计算实验。本文利用阿里云的PAI平台实现文本相似度计算实验。该实验已经在不同的专项项目可研送审报告得到了应用,已经取得明显的效果。其提高了项目评审的工作效率,对专项项目可研送审报告进行了预审,剔除内容不全的专项项目可研送审报告,使评审人员把更多的精力放在审核符合预审要求的报告上,对其建设必要性、方案是否可行等方面的审查,进而提高了可研评审质量,为综合计划管理提供了支撑。
（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。
项目相似度论文参考文献
[1].宋志理,胡胜利.融入项目属性相似度的矩阵分解算法[J].电脑知识与技术.2019
[2].王鑫.文本相似度在综合计划的专项项目可研评审工作中的应用[D].电子科技大学.2019
[3].赵作成.基于用户相似度和项目相似度的加权SlopeOne算法优化[D].吉林大学.2019
[4].宋勇建,宋金玲,张正阳,许佳松,赵家琳.基于项目评分预测与用户多相似度的协同过滤推荐算法[J].现代化农业.2019
[5].迟玉良,祝永志.项目相似度与ALS结合的推荐算法研究[J].软件导刊.2018
[6].陈伟.基于项目权重的用户相似度推荐算法研究[D].青岛大学.2018
[7].周强,胡燕.融合图片相似度缓解新项目冷启动问题的研究[J].计算机应用研究.2019
[8].Willy,Wijaya.基于项目属性相似度的协同过滤算法研究[D].哈尔滨工业大学.2017
[9].郭浩.基于似然比相似度和项目类型相关性的加权SlopeOne算法研究[D].辽宁大学.2017
[10].王斌.融合项目属性相似度和评分相似度的协同过滤推荐算法[D].燕山大学.2017