导读:本文包含了非对称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:协同过滤,推荐算法,非对称相似,矩阵分解
非对称相似度论文文献综述
黄贤英,龙姝言,谢晋[1]（2018）在《基于用户非对称相似性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的数据稀疏以及用户关系衡量不准确的问题,提出了基于用户非对称相似关系的推荐算法.利用用户的潜在特征的样本数量,结合奇异值矩阵分解,计算用户之间非对称的相似度,明确用户间关系.仿真结果表明,随着邻居数量的增加,该算法的平均绝对误差始终优于传统算法,误差值在邻居数量为40~60之间值为最小,约为0.682,传统算法平均绝对误差值约为0.758,可以看出该算法判断用户关系较为准确,预测评分比传统算法更接近实际评分.(本文来源于《四川大学学报(自然科学版)》期刊2018年03期）
王建芳,谷振鹏,张朋飞,刘永利[2]（2017）在《一种非对称相似度矩阵约束的群组协同过滤算法》一文中研究指出针对传统协同过滤算法无法处理社交网络中逐渐形成的以群组为中心的群体行为且很少考虑用户间普遍存在的不对称关系,提出一种非对称因子约束相似度矩阵的群组协同过滤算法.首先通过构建虚拟用户作为群组特征,把多维数据降维成与用户特征等价的虚拟用户,以替代群组进行相似度计算.其次引入影响因子和偏移因子两种相似度限制因子来构建非对称相似矩阵,影响因子表示用户相互影响力的大小关系,偏移因子则考虑用户评分习惯间的差异.实验结果表明该方法与传统推荐算法相比具有收敛速度快、预测精度高的优势,提高了推荐质量并解决了群组特征处理问题.(本文来源于《小型微型计算机系统》期刊2017年12期）
李珍珍,张偌雅[3]（2017）在《基于对称相似度的MRI图像检测》一文中研究指出在自然界中广泛存在对称性和相似性,人体的很多器官是近似对称的。如果发现某个器官近似不对称,很可能是病变所引起的,而对称性和相似性的判断则依赖于人的主观行为。对称相似度检测是一种快速地计算对称相似性的方法来辅助诊断脑部疾病,能够提高医生的诊断准确性。(本文来源于《现代计算机(专业版)》期刊2017年29期）
刘竹松,欧仕华,黄书强[4]（2017）在《基于非对称加权相似度的协同过滤推荐算法》一文中研究指出协同过滤算法作为推荐系统中一种常用算法,在实际应用中还存在一些问题,如传统协同过滤算法里对称相似度计算方法会导致用户相似度测量值存在误差.针对这个问题,提出一种非对称的加权相似度协同过滤方法.通过计算用户共同评分项目所占比例来确定用户相似度非对称加权因子,以表现用户之间相互影响的差异性;通过加权因子和传统相似度度量方法确定用户相似矩阵,使用矩阵分解梯度下降法来拟合没有共同评分项目的用户之间的相似度数据.最后,通过在Movie Lens和Douban数据集进行实验验证和对比,以均方根误差和平均绝对误差作为评判标准,实验结果表明本文所提方法的推荐准确度更高.(本文来源于《小型微型计算机系统》期刊2017年04期）
欧仕华[5]（2016）在《基于改进的聚类和非对称相似度的协同过滤算法研究》一文中研究指出社交网络的快速发展导致信息网络中容纳的信息数据飞速增长,但人们要从这些海量数据中有效获取真正符合需求的部分反而变得更为困难,推荐系统应运而生。推荐系统通过对用户的历史行为数据进行分析建模,发掘用户潜在的兴趣,进而向用户推荐商品或信息。其中推荐系统中应用最广的算法是协同过滤算法,该算法通过相似用户的选择或者相似项目的评分来预测目标用户对项目的评分。传统的基于用户相似度的协同过滤算法存在两种缺陷：一是认为用户之间的相似度是对称的,这个假设在某些情况下会导致错误；二是在选择用户的k近邻时,目标用户需要和其他所有用户进行项目评分进行计算比较,当用户数量不断增长时,寻找k近邻的计算成本会变得很高。本论文深入分析了现有用户相似度度量方法的存在的问题,提出了改进的用户相似度度量方法。此外研究了聚类算法来解决k近邻选取效率不高的问题,提出了一种改进的K-means聚类算法。最后结合这两种改进算法设计了一种新的协同过滤算法。论文的主要工作如下：1、通过实例对现有的用户相似度度量方法存在的问题进行阐述,提出了一种非对称的用户相似度度量方法,该方法能合理的表示用户之间相似性的关系。此外本文介绍了现阶段解决数据稀疏性的常用模型：隐语义模型,该模型通过奇异值分解来对未知评分值进行预测。本文将非对称相似度模型和隐语义模型结合起来,设计了一种基于非对称相似度的协同过滤算法。最后在MovieLens和Douban数据集上进行实验,使用均方根误差(RMSE)和平均绝对误差(MAE)作为评价标准。实验表明该相似度度量方法对能在一定程度上提升推荐质量。2、对传统的K-means聚类算法进行了介绍,并通过实验来说明传统算法存在的两个问题,一是聚类中心个数难以确定,往往依赖于算法使用者对数据所在领域的熟悉程度；二是由于初始聚类中心选择的随机性,多次聚类的结果不稳定,而且容易出现局部最优解。文中提出一种基于个体轮廓系数的改进K-means聚类算法,该算法能够自适应地确定聚类中心的个数,并使聚类中心合理分布在数据对象中,不仅聚类效果有所提升,而且多次聚类的结果很稳定。此外,该改进算法继承了传统算法效率高、容易实现的优点。最后,本文利用此算法对前面提出的协同过滤算法进行改进,提出了一种基于非对称相似度和改进的K-means的协同过滤算法。改进后的推荐算法在确定用户k近邻时用户检索范围大幅度减少,能够更快确定最近邻居集合,推荐效率有所提升。实验中对比了其他几种推荐算法,证实了本文提出的推荐算法具有较好的推荐质量。(本文来源于《广东工业大学》期刊2016-05-01）
徐少杰,孙仁诚,吴舜尧,王晓杰[6]（2016）在《在线社交网络好友推荐方法的研究——基于非对称相似性方法》一文中研究指出考虑用户间影响的差异,从用户关注的兴趣点出发,及其他用户的消息或行为通过最短路径影响该用户的最大可能性,提出了基于非对称相似性的半局部拓扑指标,并将其应用于在线社交网络好友推荐。通过Facebook数据集验证了该方法,实验结果证明,考虑了非对称相似性的好友推荐算法在准确率与召回率上都明显优于其他方法,从而证实了该方法的有效性。(本文来源于《青岛大学学报(自然科学版)》期刊2016年01期）
王付强,彭甫镕,丁小焕,陆建峰[7]（2016）在《基于位置的非对称相似性度量的协同过滤推荐算法》一文中研究指出为提升推荐系统的准确率,针对传统协同过滤(CF)推荐算法没有有效使用位置信息的问题,提出了一种基于位置的非对称相似性度量的协同过滤推荐算法(LBASCF)。首先,分别利用用户-商品评分矩阵和用户历史消费位置,计算出用户间的余弦相似性和基于位置的非对称相似性;其次,将余弦相似性与基于位置的相似性融合,得到一个新的非对称用户相似性,融合后的相似性能够同时反映用户在位置上和兴趣上的偏好;最后,根据用户的最近邻居对商品的评分向用户推荐新的商品。用某点评数据集和Foursquare数据集对算法的有效性进行了评估。在某点评数据集实验结果证明,与CF相比,LBASCF的召回率和精确率分别提高了1.64%和0.37%;与位置感知协同过滤推荐系统(LARS)方法比较,LBASCF的召回率和精确率分别提高了1.53%和0.35%。实验结果表明,LBASCF相对于CF和LARS在基于位置服务的应用中能够有效提高系统的推荐质量。(本文来源于《计算机应用》期刊2016年01期）
郭景峰,张济龙,章德斌,刘院英[8]（2015）在《一种利用非对称相似度强化信任用户关系的推荐算法》一文中研究指出为提高推荐算法的准确率,针对Social MF中用户将其信任用户同等对待的问题,提出一种在评分数据稀疏情况用于计算信任用户相似度的方法—非对称相似度方法(AC-Sim),通过AC-Sim来判别存在信任关系用户间是否有共同偏好,并将此偏好信息融合到已有的用户关系网中,达到强化信任网络的目的;其次将强化后的信任网络应用到PMF算法中,评分矩阵在分解过程中,用户特征向量受信任用户影响的同时,也受到与其有共同偏好用户的影响.实验结果表明,与目前较为流行的算法相比,新算法在RMSE和MAE上均取得更好的推荐效果.(本文来源于《小型微型计算机系统》期刊2015年09期）
袁景凌,杜宏富,钟珞,高美铃[9]（2012）在《动态量化非对称相似关系的不完备知识约简算法》一文中研究指出量化非对称相似关系是处理不完备信息系统的重要工具之一.本文针对非对称关系中明显相似的对象分类不合理的问题,定义了动态量化非对称相似关系,提出带有自动阈值调节的动态量化非对称相似关系模型,根据实际数据自动确定其阈值,使之更加灵活和合理.并采用快速排序提高知识约简过程中相容类的计算效率.通过实例验证了该算法处理不完备知识约简的有效性.最后,应用该模型解决了地下空间信息化施工的不完备知识约简问题.(本文来源于《小型微型计算机系统》期刊2012年02期）
张伟,徐章艳,王晓宇[10]（2011）在《对象间差异度的限制非对称相似关系模型》一文中研究指出经典Rough集理论主要是利用了不可分辨关系对完备信息系统进行分析的。对现有粗糙集模型进行扩充后,才可以应用于不完备信息系统。容差关系、非对称相似关系、基于对象间完备度的限制容差关系、限制非对称相似关系等是现有的扩充模型。通过分析其优点和不足之处,提出一种新的模型——对象间差异度的限制非对称相似关系模型,在该模型中,给出的知识粒度更精确,更符合实际。实例结果也证明新模型可以从不完备信息系统获取更加精确的知识粒度。(本文来源于《计算机工程与应用》期刊2011年32期）
非对称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：
针对传统协同过滤算法无法处理社交网络中逐渐形成的以群组为中心的群体行为且很少考虑用户间普遍存在的不对称关系,提出一种非对称因子约束相似度矩阵的群组协同过滤算法.首先通过构建虚拟用户作为群组特征,把多维数据降维成与用户特征等价的虚拟用户,以替代群组进行相似度计算.其次引入影响因子和偏移因子两种相似度限制因子来构建非对称相似矩阵,影响因子表示用户相互影响力的大小关系,偏移因子则考虑用户评分习惯间的差异.实验结果表明该方法与传统推荐算法相比具有收敛速度快、预测精度高的优势,提高了推荐质量并解决了群组特征处理问题.
（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。
非对称相似度论文参考文献
[1].黄贤英,龙姝言,谢晋.基于用户非对称相似性的协同过滤推荐算法[J].四川大学学报(自然科学版).2018
[2].王建芳,谷振鹏,张朋飞,刘永利.一种非对称相似度矩阵约束的群组协同过滤算法[J].小型微型计算机系统.2017
[3].李珍珍,张偌雅.基于对称相似度的MRI图像检测[J].现代计算机(专业版).2017
[4].刘竹松,欧仕华,黄书强.基于非对称加权相似度的协同过滤推荐算法[J].小型微型计算机系统.2017
[5].欧仕华.基于改进的聚类和非对称相似度的协同过滤算法研究[D].广东工业大学.2016
[6].徐少杰,孙仁诚,吴舜尧,王晓杰.在线社交网络好友推荐方法的研究——基于非对称相似性方法[J].青岛大学学报(自然科学版).2016
[7].王付强,彭甫镕,丁小焕,陆建峰.基于位置的非对称相似性度量的协同过滤推荐算法[J].计算机应用.2016
[8].郭景峰,张济龙,章德斌,刘院英.一种利用非对称相似度强化信任用户关系的推荐算法[J].小型微型计算机系统.2015
[9].袁景凌,杜宏富,钟珞,高美铃.动态量化非对称相似关系的不完备知识约简算法[J].小型微型计算机系统.2012
[10].张伟,徐章艳,王晓宇.对象间差异度的限制非对称相似关系模型[J].计算机工程与应用.2011