导读:本文包含了隐式反馈论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:隐式,反馈,算法,系统,深度,特征,标签。
隐式反馈论文文献综述
屈娟娟[1]（2019）在《大数据网络用户浏览隐式反馈信息检索仿真》一文中研究指出传统方法在对大数据网络用户进行浏览隐式反馈信息检索时,存在查全率低、准确率不高等问题。针对上述问题,提出一种基于大数据网络的用户浏览隐式反馈信息检索方法。方法通过观测用户在浏览网络页面时所选取的动作来获取隐式反馈信息,并根据这些信息建立用户兴趣更新模型。采用向量来描述用户浏览的网页文档,为各个浏览行为赋予相应的权值,通过该权值从用户的浏览行为推算出用户对某一文档的感兴趣程度,并建立基于用户浏览隐式反馈信息的用户兴趣模型,并利用用户兴趣更新模型对兴趣进行更新,提高检索精度,以此实现大数据网络用户浏览隐式反馈信息检索。实验仿真证明,与传统方法相比,所提方法较能够有效提高检索有效性、查全率、准确率。(本文来源于《计算机仿真》期刊2019年09期）
何瑾琳,刘学军,徐新艳,毛宇佳[2]（2019）在《融合node2vec和深度神经网络的隐式反馈推荐模型》一文中研究指出利用隐式反馈信息实现个性化推荐是实用且具有挑战性的研究课题。对如何有效结合辅助信息来解决数据稀疏问题从而实现高效推荐的问题进行了研究,提出了一种融合node2vec和深度神经网络的隐式反馈推荐模型。该模型采用一种嵌入元数据的深度神经网络框架(Deep Neural Network Framework with Embedded Meta-data,Meta-DNN),首先将用户和项目的one-hot向量进行低维映射,再嵌入元数据信息,并结合node2vec的二阶随机游走方法学习网络中的邻居节点,使得相邻节点具有相似的节点表示,同时通过增强相邻用户和项目的平滑度来缓解数据稀疏性;最后使用深度神经网络进一步学习用户对项目的偏好,进而为用户产生推荐。其中,还引入了流行度参数对未知项目进行非平均抽样,优化隐式反馈负采样策略。在Gowalla和MovieLens-1M两个数据集上的实验表明,所提方法可以明显提高系统的预测性能和推荐质量。(本文来源于《计算机科学》期刊2019年06期）
刘宏,张时斌,韩亚波,关业欢[3]（2019）在《基于加权相似度显隐式反馈的协同过滤算法》一文中研究指出针对传统的协同过滤算法没有考虑到不同用户之间相似度的差异以及用户对项目的评分时间等因素的影响,提出了一种基于加权相似度显隐式反馈的协同过滤算法:先获取用户的显式和隐式反馈评分信息以及用户-项目的评分时间信息。再对评分信息进行基于时间的加权处理,并对传统的相似度计算方法进行修改,引入相关度因子。最终根据预测公式获得用户的推荐结果。实验仿真表明算法在平均绝对误差和精确率两个指标上有了一定的提高,并在一定程度上提高了推荐算法的准确性。(本文来源于《价值工程》期刊2019年13期）
郭晓晓[4]（2019）在《基于多类型隐式反馈置信度的协同过滤推荐算法研究》一文中研究指出随着互联网和大数据技术的发展,信息过载问题日益严重。推荐系统是解决信息过载问题的有效工具,当前个性化推荐技术在电子商务平台、社交网络等领域内得到了广泛的应用。其中,学者们已经提出许多经典的基于显式反馈的协同过滤推荐算法。然而基于显式反馈的协同过滤推荐算法存在数据量少、获取方式有限和不易获取等问题,从而使得推荐性能不佳。因此为了能够更容易获取丰富的数据量,数据更多样化的基于隐式反馈的协同过滤推荐算法正逐渐成为热点。对同一用户而言,其产生的多类型隐式反馈对预测用户偏好具有不同的影响,目前大多数基于隐式反馈的协同过滤推荐算法都只是选择其中一类或是两类反馈来实现推荐,导致数据稀疏问题严重,从而使得推荐结果不够精准。若是将这些多类型隐式反馈应用到推荐算法中,可以缓解推荐系统中的数据稀疏问题。因此,本文针对基于隐式反馈的推荐方法中由于用户单一行为模式下对已有项目交互过少带来的数据稀疏问题,提出了一种基于多类型隐式反馈置信度的协同过滤推荐算法(Bayesian Personalized Ranking model with Multi-type Implicit Feedback Confidence,MTCBPR)。将用户多种行为进行互补和融合,并赋以置信度来衡量其对推荐质量的影响。通过逻辑回归和基于树的特征选择两种方法对数据集进行学习的置信度对多种类型隐式反馈进行筛选,以筛选出更有效的确定性辅助反馈,并且依据置信度来对不同类型的确定性辅助反馈的偏好表达进行量化。通过在公开数据集sobazaar上进行数据处理和实施对比实验,得到实验结果:本文所提出的MTCBPR算法在所采用的评价指标上都优于基准算法,能够进一步缓解数据稀疏问题,全面诠释用户的偏好和意愿,有效提高推荐性能。另外,为验证MTCBPR算法在其它真实数据集上的可行性,通过第叁方软件获取互联网健康服务平台上用户的多类型隐式反馈,主要包括用户的预约挂号、网上咨询名医、查找名医和访问名医个人空间这几种典型的历史行为,整理成数据集Topmd。实验结果表明,MTCBPR算法在该场景下仍具有较好的推荐效果。(本文来源于《郑州大学》期刊2019-05-01）
李红梅,刁兴春,曹建军,冯钦,张磊[5]（2019）在《面向隐式反馈的标签感知推荐方法》一文中研究指出为进一步提高面向隐式反馈的标签感知推荐性能,针对隐式反馈数据的稀疏性问题以及标签数据的冗余、语义模糊等问题,提出了一种基于用户细粒度偏好和增量加权矩阵分解的个性化推荐方法。为缓解隐式反馈数据稀疏不平衡的影响,提出使用协同近邻用户关系从大规模未观测数据中挖掘目标用户可能感兴趣的潜在项目,即近邻用户感兴趣但目标用户未选择的项目,进而提出了用户对项目的细粒度偏好假设:观测项目>潜在项目>其他未观测项目,改进传统成对偏好假设的粗糙性。为获取更为可靠的近邻用户,利用基于深度学习的方法来抽取用户-标签的低维、抽象的深层语义特征,缓解了原始标签数据的冗余、语义模糊等对用户表征的影响。最后,基于用户的细粒度偏好提出一种增量加权矩阵分解模型,并进行快速优化求解与推荐。实验结果表明:提出的算法在多个排序推荐准确性的评价指标(Pre@5,NDCG@5,MRR)上分别提升了约9%,8%,9%,验证了所提算法的有效性。(本文来源于《计算机科学》期刊2019年04期）
翟航天,汪学明[6]（2019）在《基于隐式反馈LDA模型的协同推荐算法研究》一文中研究指出传统基于用户和基于标签的协同过滤推荐算法仅采用用户评分显式信息进行分析,浪费掉大量的隐式反馈数据。为将隐式反馈数据加以利用,提出一种用户隐式反馈数据与资源标签相结合的协同过滤推荐算法。对资源-标签利用Gibbs Sampling算法进行采样分析,挖掘推荐系统中资源的主题并建立Latent Dirichlet Allocation (LDA)模型,将隐式反馈数据中的用户行为赋予主题标签以此获取用户标签偏好,并与资源标签计算出的资源相似度相结合,预测用户个性化偏好。在Retailrocket网站行为数据集上的实验结果表明,相较于传统基于隐式反馈和基于标签的协同过滤推荐算法,该算法能有效地解决用户标签模糊和资源主题分析存在偏差的问题,提高个性化推荐准确度。(本文来源于《计算机技术与发展》期刊2019年06期）
程晓娜[7]（2019）在《基于隐式反馈的个性化推荐算法研究》一文中研究指出随着互联网信息过载的日益明显,推荐系统因为能为用户自动找到感兴趣的信息而得到越来越广泛的关注。推荐算法是推荐系统的核心,对推荐算法引起广泛关注始于以Netflix电影推荐为代表的评分预测问题。而随着用户使用习惯和心理预期的变化,以视频、音乐等为代表的娱乐平台需要基于隐式反馈进行推荐,这类问题往往比显式反馈推荐更加复杂。同时,随着深度学习在图像处理和自然语言处理领域取得重大突破,有更多的学者开始投入到基于深度学习的推荐算法的研究中,且取得了一定的进展。本文研究基于隐式反馈的个性化推荐算法。提出了一种基于嵌入共享的SE-WDL融合模型,首先对用户行为记录进行不同维度的统计学特征提取,然后对于统计特征、用户和物品元属性稀疏特征、ID超稀疏特征、用户行为序列组合特征分别设计Wide模块、Deep模块、LSTM模块,并采取Deep和LSTM嵌入共享以及联合训练的方式实现属性特征、统计特征和行为序列信息的充分融合。针对现有使用的模型对于用户不同类型的隐式反馈行为没有区分度,以及用户某些重要类型的反馈行为数据稀疏导致特征重要性低,而影响推荐系统个性化性能的问题,本文着重研究了基于用户行为类型的特征嵌入(embedding),首先设计了合理的不同行为类型权重赋予方式,并实现了基于行为权重LFM的特征嵌入;然后进一步设计Attention Matching Net,将“注意力”机制引入用户行为序列分析模块,使模型自动学习不同行为类型的权重,并将用户画像融合到user embedding vector中,实现了更加合适与准确的user和item特征嵌入。将两种方式生成的嵌入特征用于召回层的协同过滤和排序层的排序模型中,在本文的实验数据集上取得了良好的效果。(本文来源于《浙江大学》期刊2019-01-16）
俞东进,陈聪,吴建华,陈耀旺[8]（2018）在《基于隐式反馈数据的个性化游戏推荐》一文中研究指出现有推荐系统通常采用评分、评论等显式反馈数据实现个性化推荐.然而,显式反馈数据由于在实际中难以获取或因质量问题而往往变得不可用,从而导致相关推荐算法的应用范围受到很大限制.与此相反,诸如点击行为、浏览记录等隐式反馈数据在现实中大量存在.本文提出了一种面向游戏玩家的基于隐式反馈数据的游戏推荐方法.该方法综合考虑了玩家操作次数、操作时长等隐式反馈数据及其时效性,构建了基于伪评分的玩家对游戏的偏好模型,而后通过改进了的SVD++(Singular Value Decomposition++)算法实现个性化游戏推荐.在大规模真实数据集上的实验结果表明本文提出的方法具有更高的推荐精确率和召回率.(本文来源于《电子学报》期刊2018年11期）
李改,邹小青[9]（2018）在《基于隐式反馈的协同过滤算法研究综述》一文中研究指出基于隐式反馈的协同过滤算法是信息推荐系统中广泛运用的核心技术,近年来在国内外得到了深入研究。以往有关协同过滤的研究综述主要侧重于传统的协同过滤算法,有关基于隐式反馈的协同过滤算法的研究综述较少。文中对基于隐式反馈的协同过滤算法的相关研究进行全面总结,首先介绍基于隐式反馈的协同过滤算法的简介及其所面临的挑战,接着详细介绍当前各类基于隐式反馈的协同过滤算法的研究现状,最后给出基于隐式反馈的协同过滤算法需要进一步解决的问题和可能的发展方向。文中详细介绍基于隐式反馈的协同过滤算法的知识框架,理清了基于隐式反馈的协同过滤算法的研究脉络,为后续研究提供参考。相信该研究工作对推进个性化信息服务的发展具有重大意义。(本文来源于《福建电脑》期刊2018年11期）
周巧扣,倪红军[10]（2018）在《基于多种隐式反馈数据的商品推荐算法》一文中研究指出个性化推荐是解决信息过载的有力工具,其根据用户在推荐系统中的历史行为,向用户推荐可能感兴趣的信息和商品。用户的行为记录可以分为显式反馈和隐式反馈。针对隐式反馈数据不能很好地反映用户偏好的问题,在BPR算法的基础上进行扩展,提出一种基于多种隐式反馈数据的商品推荐算法,采用更细粒度的偏序关系建立用户偏好。根据用户购买商品的次数和时间建立用户对已购买商品偏好的置信度;根据置信度建立用户对已购买商品之间的偏序关系。同时利用已购买商品间的偏序对和已购买商品与未购买商品间的偏序对训练目标模型,提高推荐算法的性能。在真实数据集上进行了仿真实验,将该算法和相关算法进行对比实验。实验表明,该算法具有更好的性能。(本文来源于《计算机应用与软件》期刊2018年10期）
隐式反馈论文开题报告
（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：
利用隐式反馈信息实现个性化推荐是实用且具有挑战性的研究课题。对如何有效结合辅助信息来解决数据稀疏问题从而实现高效推荐的问题进行了研究,提出了一种融合node2vec和深度神经网络的隐式反馈推荐模型。该模型采用一种嵌入元数据的深度神经网络框架(Deep Neural Network Framework with Embedded Meta-data,Meta-DNN),首先将用户和项目的one-hot向量进行低维映射,再嵌入元数据信息,并结合node2vec的二阶随机游走方法学习网络中的邻居节点,使得相邻节点具有相似的节点表示,同时通过增强相邻用户和项目的平滑度来缓解数据稀疏性;最后使用深度神经网络进一步学习用户对项目的偏好,进而为用户产生推荐。其中,还引入了流行度参数对未知项目进行非平均抽样,优化隐式反馈负采样策略。在Gowalla和MovieLens-1M两个数据集上的实验表明,所提方法可以明显提高系统的预测性能和推荐质量。
（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。
隐式反馈论文参考文献
[1].屈娟娟.大数据网络用户浏览隐式反馈信息检索仿真[J].计算机仿真.2019
[2].何瑾琳,刘学军,徐新艳,毛宇佳.融合node2vec和深度神经网络的隐式反馈推荐模型[J].计算机科学.2019
[3].刘宏,张时斌,韩亚波,关业欢.基于加权相似度显隐式反馈的协同过滤算法[J].价值工程.2019
[4].郭晓晓.基于多类型隐式反馈置信度的协同过滤推荐算法研究[D].郑州大学.2019
[5].李红梅,刁兴春,曹建军,冯钦,张磊.面向隐式反馈的标签感知推荐方法[J].计算机科学.2019
[6].翟航天,汪学明.基于隐式反馈LDA模型的协同推荐算法研究[J].计算机技术与发展.2019
[7].程晓娜.基于隐式反馈的个性化推荐算法研究[D].浙江大学.2019
[8].俞东进,陈聪,吴建华,陈耀旺.基于隐式反馈数据的个性化游戏推荐[J].电子学报.2018
[9].李改,邹小青.基于隐式反馈的协同过滤算法研究综述[J].福建电脑.2018
[10].周巧扣,倪红军.基于多种隐式反馈数据的商品推荐算法[J].计算机应用与软件.2018
论文知识图
