导读:本文包含了上下文感知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:上下文,系统,网络,卡尔,模型,解释性,目标。
上下文感知论文文献综述
ALI,Waqar,邵杰,KHAN,Abdullah,Aman,TUMRANI,Saifullah[1]（2019）在《上下文感知推荐系统：挑战和机遇（英文）》一文中研究指出该文梳理了社会和科学领域中上下文感知推荐系统的主要概念、技术、挑战和未来趋势;其次,分类介绍了可用于基于上下文的推荐的一系列技术和主要框架。除了经典的基于内容、基于协同过滤和基于矩阵分解的技术之外,调研了最近的研究方向,即基于深度学习和基于模糊逻辑的方法。最后,描述了在推荐过程中利用上下文信息的潜在研究机会。(本文来源于《电子科技大学学报》期刊2019年05期）
熊盛武,陈振东,段鹏飞,刘晓赟[2]（2019）在《基于可信向量的知识图谱上下文感知表示学习》一文中研究指出面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的叁元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得叁元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。(本文来源于《武汉大学学报(理学版)》期刊2019年05期）
杜雨露[3]（2019）在《活动社交网络中上下文感知的群组推荐方法研究》一文中研究指出随着移动互联网的发展,用户之间的交互变得越来越便捷,结合用户的线上和线下交互成为新的发展趋势。活动社交网络(Event-based social networks,EBSNs)通过结合用户的线上和线下交互在近几年得到迅速发展。与此同时,EBSNs的发展也为用户带来了严重的信息过载问题,即从EBSNs上找到用户感兴趣的活动正变得越来越困难。因此,活动推荐系统(event recommender systems)成为缓解EBSNs中信息过载问题的有效手段。与传统领域的推荐相比,活动推荐存在严重的冷启动问题。需要充分挖掘和利用EBSNs中丰富的上下文信息来缓解冷启动问题。此外,现有的活动推荐研究主要关注如何为单个用户进行推荐,忽略了用户通常以群组的形式参加活动,因此需要为多个用户构成的群组推荐感兴趣的活动。然而,用户偏好的多样性使得很难找到满足所有群组成员的活动,为群组活动推荐带来很大挑战。基于以上挑战,本文对活动社交网络中上下文感知的群组推荐方法进行了研究,旨在为EBSNs中的用户和群组提供准确高效的活动推荐服务。本文的主要内容和创新点总结如下:(1)将群组活动推荐问题形式化描述为排序学习问题,并提出一个基于排序学习的群组活动推荐框架。具体而言,首先分析了不同上下文因素对用户参加活动的影响,提取用户上下文偏好作为训练排序模型的输入。此外,提出了贝叶斯群组排序算法,能够在融合群组成员偏好的过程中自适应地为群组成员分配偏好融合的权重。在两个真实的活动社交网络数据集上的实验结果表明基于群组活动推荐框架的方法与现有方法相比在推荐准确度和效率上有显着提高。(2)首先通过数据分析发现活动主办方和活动内容之间存在显着的相关性,即相同主办方举办的活动之间的内容相似度比不同主办方举办的活动之间的内容相似度更高。基于这一结论,提出一个概率生成模型利用活动主办方和内容之间的相关性缓解活动文本内容的稀疏性,并通过发现活动内容主题和活动场地主题来准确提取群组的活动偏好。在该模型的基础上提出了的群组活动推荐方法。在两个真实的EBSNs数据集上的实验结果表明提出方法与现有的方法相比具有更高的推荐准确度。此外,提出的模型能够提取语义一致的潜在主题,增强了推荐的可解释性。(3)在真实的EBSNs数据集上分析了群组举办活动的时间分布,发现大量活动的举办时间呈现出明显的周期性规律。基于这一发现,提出了群组感知的周期主题模型,同时对群组依赖的周期活动和主题依赖的非周期活动建模。利用高斯混合模型作为周期活动的举办时间分布,使用多项式分布作为非周期活动的举办时间的分布。模型还考虑了活动举办地对用户决策的影响,从而能够同时对用户的活动兴趣和活动举办地的兴趣建模。在真实的EBSNs数据集上对实验结果表明,基于群组感知周期主题模型的方法比目前的方法具有显着优势。(4)提出了一种公平性和多样性感知的群组活动推荐方法。基于上下文计算活动相似度并构建活动相似度图。将相似度图上的加权覆盖度定义为次模函数,将公平性和多样性感知的群组活动推荐问题转化为最大化相似度图上的加权覆盖度问题,同时提高群组活动推荐的准确度、公平性和多样性。提出采用贪婪算法寻找加权覆盖度最大化的近似最优解。在真实数据集上的实验结果表明提出的方法比现有方法能够更好的平衡推荐准确度、公平性和多样性。(本文来源于《北京邮电大学》期刊2019-06-05）
司元[4]（2019）在《上下文感知相关滤波目标跟踪算法研究》一文中研究指出目标跟踪是计算机视觉中的一个重要研究方向,有着广泛的应用,如:视频监控,人机交互,无人驾驶等。过去二叁十年视觉目标跟踪技术取得了长足的进步,特别是最近两年利用深度学习的目标跟踪方法取得了令人满意的效果,使目标跟踪技术获得了突破性的进展。目标(单目标)跟踪就是在给定某视频序列初始帧的目标大小与位的情况下,预测后续帧中该目标的大小与位置。运动目标跟踪是一个极具挑战性的任务,因为对于运动目标而言,其运动的场景非常复杂并且经常发生变化,或是目标本身也会不断变化,如何在复杂场景中识别并跟踪不断变化的目标就成为一个挑战性的任务。目标跟踪方法根据观测模型是生成式模型或判别式模型可以被分为生成式方法和判别式方法。生成式跟踪方法于前几年比较盛行,而近来判别式跟踪方法逐渐占据了主流地位,以相关滤波和深度学习为代表的判别式方法取得了令人满意的效果。论文对上下文感知相关滤波目标跟踪算法进行了改进,主要研究工作如下:(1)针对原文算法在构建滤波器模型时,对目标周围的上下文区域同等看待,生成的滤波器模型对于快速运动和尺度变化等因素表现不够稳健,为此,改进的算法中采用稀疏光流法创建上下文权值矩阵,用加权后的上下文重构滤波器模型,最后通过与其他算法进行对比实验验证了改进算法的有效性。(2)针对原文算法模型目标在经历背景混乱、相似物干扰及目标形变、尺度变化时表现的跟踪不稳定现象,采用背景抑制模型和颜色概率模型分别确定目标估计位置,最后,将这两种模型所确定的目标位置依据各自的响应分数进行线性加权确定最终位置,经过对比试验证明了提出算法的可行性。(本文来源于《湖南工业大学》期刊2019-06-05）
张微[5]（2019）在《基于相关滤波的时空上下文感知目标跟踪方法研究》一文中研究指出目标跟踪是计算机视觉领域的重要问题之一,在视频监控、无人驾驶、人机交互、行为识别等领域有着广泛应用,受到研究人员的普遍关注。近年来,基于相关滤波的跟踪方法(Correlation Filter based Trackers,CFTs)取得了显着的进展,迅速成为当前研究热点。虽然已经涌现出了大量方法,但是由于目标跟踪问题本身的复杂性、跟踪场景的多变性以及应用背景的多样性,实现稳健高效的目标跟踪仍然是极具挑战性的课题,尤其是长时目标跟踪中的频繁、严重遮挡及目标的重定位问题。本文针对跟踪过程中,因缺乏目标先验、目标遮挡以及长时跟踪等引起的模型偏移问题,基于相关滤波理论,从建立稳健高效的目标外观模型出发,通过合理利用目标上下文和时空信息,研究鲁棒的目标跟踪方法。本文主要工作和贡献如下:(1)提出一种上下文感知遮挡检测的目标跟踪方法。针对跟踪中常见的遮挡问题,提出一种上下文感知遮挡检测的目标跟踪方法。该方法在多特征核相关滤波(Kernelized Correlation Filter,KCF)估计目标初始位置的基础上,充分利用目标上下文信息和目标连续帧时序上的稳定性判断其遮挡状态。通过相关滤波器反映最可靠目标与其上下文区域之间的内在关系,并融合相关响应稳定性约束,估计当前目标状态。其次,根据遮挡状态和目标外观变化,自适应更新目标外观模型。实验结果表明,所提方法的目标遮挡处理策略利用上下文信息能够有效判断目标当前状态,其连续帧相关响应的可靠性约束使得判断结果更加稳定,提高了跟踪精度和成功率。(2)提出一种融合显着性检测的自适应目标跟踪方法。针对跟踪中因缺乏目标先验而产生模型偏移的问题,将视觉显着性引入KCF框架中,通过快速显着性检测、显着目标提取、候选目标估计以及最优位置判定,实现低跟踪置信度情况下初始跟踪结果不准确的校正。其次,基于相关响应图变化设计一种遮挡判别因子,联合相邻帧跟踪置信度波动,自适应调整学习率,实现模型更新。实验结果与分析表明,视觉显着性能够凸显上下文感兴趣目标,减少复杂背景的干扰,校正初始跟踪结果的不准确。自适应更新策略也有助于解决遮挡问题并保持可靠的目标外观。所提方法相比于12种经典跟踪器获得较好跟踪性能的同时,能够满足实时跟踪的需要。(3)提出一种增强遮挡检测和多峰重定位结合的长时目标跟踪方法。长时跟踪任务仍然具有挑战性,特别是严重遮挡问题。针对这一问题,首先建立一种自适应互学习模型。在全局颜色模型和多特征判别式相关滤波器(Discriminative Correlation Filter,DCF)两种互补模型的基础上,通过充分检测其可靠性,进行融合与决策,估计目标初始位置。其次,提出一种平均遮挡距离度量。当检测到遮挡时,触发多峰重定位模块,与长时记忆保持机制协作,实现跟踪失败情况下的目标恢复。目标重定位模块基于融合响应图的多峰属性设计,能够在空间上获取多个样本。长时记忆保持机制通过自适应更新,维护模型时间上的可靠性,使其具有跟踪失败情况下重新感知目标的能力。与17种经典跟踪器的对比实验表明,所提方法能够处理长时跟踪中的严重遮挡问题,具有较高的准确性和鲁棒性,并能够满足实时跟踪的需要。(4)提出一种短时时空相关模型和长时重检测器协同的目标跟踪方法。大多数现有跟踪器在短时遮挡、显着外观和光照变化等情况下表现良好,但在长时跟踪中遇到重大挑战。这些挑战包括频繁或持久遮挡,以及目标从视野中消失。针对这一问题,提出一种协同长时目标跟踪方法。该方法包括叁个部分:短时跟踪组件,跟踪不确定性检测和长时重检测组件。时空信息充分融入各个组件,它们相互交互、协同运行以实现稳健高效的长时跟踪。首先,提出一种时空相关模型作为短时组件,利用时空约束实现正则化优化,提高目标/背景的判别力,用于在每一帧定位可见目标。其次,基于目标在空间上的可靠性和时间上的一致性,设计一种不确定性检测机制,用于在必要时触发长时重检测器。最后,提出一种时空感知的长时重检测器。该方法先通过粒子滤波、相关导引、最近邻合并实现空间上的样本采样与精简,再经模板匹配和置信度重排实现目标重新可见后的恢复。目标模板通过自适应更新能够保持长时记忆,进一步提升方法在目标重现后的感知恢复能力。实验结果与分析表明,与18种经典跟踪器相比,该方法具有更高的鲁棒性和准确性,能够应对长时跟踪中出现的频繁或持久遮挡等问题。(本文来源于《西北大学》期刊2019-06-01）
刘源[6]（2019）在《基于特征距离和时间效应的上下文感知推荐技术研究》一文中研究指出随着Web2.0时代的到来,网络技术的迅猛发展以及移动设备的普及,互联网中产生的数据量呈指数增长,用户被淹没在浩瀚的数据的海洋中。为了解决这一问题,推荐系统应运而生,它可以为用户过滤掉绝大部分的垃圾信息,在节约用户时间的同时也在一定程度上解决了信息过载问题。在很多场景中,上下文信息是确定用户兴趣的重要因素。上下文感知推荐系统可以提高许多场景中预测的准确度,正逐渐成为研究热点。距离和时间是设计上下文感知推荐系统时最常见的两个因素。因此,本文将针对距离因素中只考虑了距离中的物理信息而忽略了距离中的文化差异以及时间因素中只考虑了时间衰减效应而忽略了时间记忆效应这两大问题,对推荐算法进行改进以及对结果进行对比分析,以此来提高算法的准确率和召回率,并讨论了如何在数据缺失的情况下提升推荐结果的准确性。(1)基于特征距离的上下文感知推荐技术。在目前的研究中,距离因素一般是指可以直接度量的地理或者物理上的距离。然而,在推荐系统中,用户做的每一个的决定不止与他的所处的地理位置相关,更与家庭环境,经济状况,宗教信仰以及价值观等广义的距离特征有着密切联系,因此只考虑狭义的距离特性的推荐系统有一定的局限性。本文对广义的距离特征这一抽象概念进行量化,在协同过滤推荐系统中引入Hofstede的文化距离模型(一种衡量不同国家文化差异和价值取向的模型),提出了一个基于特征距离的协同过滤推荐算法并预测某些缺失文化距离值的物品的数值。最后在真实数据集上进行实验验证。实验结果表明,与传统的推荐方法相比,本文的算法可以将准确率提高9%。(2)基于时间效应的上下文感知推荐技术。传统的时间上下文感知的推荐系统只考虑了时间衰减效应,认为用户之间的相关性只会随着时间的增长而降低,而忽视了在特定的时间条件下,人们会有特定的记忆并增强两者之间的相关性。为了更好地分析用户意图并产生更精确的推荐结果,本文讨论了时间效应对推荐系统的影响,提出了时间记忆效应的概念,并将其与传统的时间衰减效应结合提出新的时间效应函数。然后根据新的时间效应函数,改变用户相似度的权重并对推荐物品的预测评分产生影响,最后根据预测评分生成推荐结果。基于大规模实际数据的实验结果表明,与传统的推荐方法相比,基于时间效应的上下文感知推荐算法可以将准确率提高7%。(本文来源于《北京邮电大学》期刊2019-05-30）
梅磊[7]（2019）在《基于注意力交互网络的上下文感知推荐系统研究》一文中研究指出在大数据时代,伴随着移动互联网、云计算、物联网等的快速发展,互联网信息以及互联网访问者数量都出现了爆炸式的增长。虽然丰富的信息为我们带来了更多的可选择性,但同时也带来了严重的信息过载问题。面对这场数据洪流,用户希望从海量的信息中找到自己感兴趣的高质量信息,信息生产者则希望将正确的产品和服务定位到用户身上,以增加收入和用户的忠诚度,而推荐系统在其中扮演了关键的角色。通过挖掘和分析用户的历史行为、个人信息等方式,推荐系统对用户的兴趣爱好进行建模,并向用户推荐他们感兴趣的物品。传统的推荐系统在建模的过程中只考虑了用户和物品之间的交互关系,却忽略了用户和物品交互时所处的上下文环境,而上下文环境中包含的丰富上下文信息会对用户的行为产生微妙但强大的影响。与传统的推荐系统相比,上下文感知推荐系统通过考虑上下文环境的影响可以更准确地建模用户对物品的兴趣,从而提高推荐的效果。现有的主流上下文感知推荐算法主要建立在隐语义模型的基础上,它们将上下文环境对用户和物品的通用作用表示成一个多维张量。为了建模上下文环境对用户和物品的作用,这类模型利用这个多维张量、用户特征向量(或物品特征向量)以及上下文环境的特征向量叁者之间的线性操作为用户(或物品)生成上下文感知的表示。上下文感知的用户表示和物品表示可以理解为在上下文环境影响下发生了变化的用户兴趣以及物品属性,而两者进一步的内积操作则可以得到在当前上下文环境中用户对物品的喜好评分。虽然现有的上下文感知推荐算法相比于传统的推荐系统在推荐效果上有了很大的提升,但是仍然存在诸多缺陷。首先,这些模型仅仅借助简单的线性操作无法有效地建模上下文环境的复杂和非线性的作用,其次,上下文环境中不同类型的上下文对用户和物品的作用是不同,然而现有的模型无法区分它们的重要性。为了解决现有算法存在的问题,本文探索了深度学习在上下文感知推荐领域的应用并提出了一种新的神经网络模型——注意力交互网络。具体地,注意力交互网络包含了叁个核心的功能模块,即交互中心模块、注意力模块和用户/物品中心模块。交互中心模块关注到上下文环境中每个上下文和用户、物品之间的交互,并捕获每个上下文对用户和物品的作用。注意力模块学习每个上下文作用的重要性,并加权合成得到当前上下文环境对用户的整体作用。同样地,我们可以得到当前上下文环境对物品的整体作用。最后,用户/物品中心模块建模整体作用会对用户兴趣的物品属性产生什么样的影响,得到的上下文感知的用户表示和物品表示用于下一步的评分预测。实验方面,本文在两个显式反馈数据集和一个隐式反馈数据集上进行了大量的实验。实验结果表明,与现有的最先进的上下文感知推荐算法相比,注意力交互网络在评分预测和个性化排序任务上的效果都有显着的提升。通过进一步的分析实验,我们还发现注意力交互网络在向用户生成推荐的过程中能够提供更好的可解释性。(本文来源于《山东大学》期刊2019-04-20）
刘波,许廷发,李相民,史国凯,黄博[8]（2019）在《自适应上下文感知相关滤波跟踪》一文中研究指出针对上下文感知相关滤波目标跟踪算法中,上下文背景样本等值权重训练,对背景信息滤波过于平滑的问题,提出了一种自适应上下文感知相关滤波算法,同时为了解决目标遮挡的问题,引入一种新的遮挡判定指标。首先,提取目标上下左右4个方向的背景样本学习到滤波器中,利用卡尔曼滤波对目标运动状态进行估计,预测目标的运动方向。在滤波器训练时,对目标运动方向上的背景样本训练时赋予较多的权重;接着,在模型更新时引入一个新的遮挡判定指标APCE,只有当响应峰值和APCE数值分别一定比例大于各自的历史均值时,才对目标模型进行更新;最后将本文算法与当前一些主流的跟踪算法在CVPR 2013 Benchmark进行对比实验。仿真实验结果表明,本文算法的精准率和成功率分别为0. 810和0. 701,均优于其他算法,充分体现出了本文提出算法的鲁棒性。(本文来源于《中国光学》期刊2019年02期）
匡海丽,常亮,宾辰忠,古天龙[9]（2019）在《上下文感知旅游推荐系统研究综述》一文中研究指出随着人们生活水平的提高,旅游已成为一项普遍的休闲活动,进而推动了旅游推荐方面技术的研究。与传统推荐系统相比,除了考虑游客和旅游产品的相关特征之外,旅游推荐系统的推荐质量在很大程度上受到位置、时间、天气、游客社交群体等上下文信息的影响。本文首先给出上下文感知旅游推荐系统的总体框架;然后对位置、时间、游客社会化网络和多维上下文等4类典型的上下文信息在旅游推荐系统中的应用进行了详细考察,并对综合应用各种上下文信息的旅游推荐系统进行了分析;从旅游推荐产品的角度对推荐系统进行分类考察;最后讨论了上下文感知旅游推荐系统目前面临的重点和难点问题,指出下一步的研究方向。(本文来源于《智能系统学报》期刊2019年04期）
郑操[10]（2019）在《基于上下文感知的汤普森采样推荐算法研究》一文中研究指出探索和利用是推荐系统中一类非常重要问题,如何在探索和利用中找到一个平衡点是这类问题的关键,通过物品的上下文信息以及通过对用户特征不断的学习,给出一个基于上下文感知的多臂Bandit模型,利用汤普森采样对用户特征进行迭代学习的算法,并通过累积回报评价指标对算法模型的有效性进行评估。(本文来源于《现代计算机(专业版)》期刊2019年07期）
上下文感知论文开题报告
（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：
面向知识图谱的表示学习在低维语义空间中对实体和关系进行编码,提升了知识理解和推理能力。传统的平移模型在处理知识图谱中的一对多、多对一以及多对多这些复杂关系时,难以区分在某一属性具有相同语义的实体。本文构建了一种基于二值可信向量的平移模型(TransV),通过向量不同维度的元素值控制对应属性的激活与抑制程度,使不同的关系关注不同的实体属性信息,提高模型处理复杂关系的效果。除了知识图谱中的叁元组信息,非结构化文本中包含了丰富的语义信息,能够提高实体表达能力。利用与实体相关的文本信息,构建了一种融合上下文信息的基于二值可信向量的知识图谱表示学习模型(CKRV),使得叁元组信息与语义信息能相互影响、相互融合。实验结果表明,该方法复杂度更低,在实体预测准确性方面有明显提升。
（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。
上下文感知论文参考文献
[1].ALI,Waqar,邵杰,KHAN,Abdullah,Aman,TUMRANI,Saifullah.上下文感知推荐系统：挑战和机遇（英文）[J].电子科技大学学报.2019
[2].熊盛武,陈振东,段鹏飞,刘晓赟.基于可信向量的知识图谱上下文感知表示学习[J].武汉大学学报(理学版).2019
[3].杜雨露.活动社交网络中上下文感知的群组推荐方法研究[D].北京邮电大学.2019
[4].司元.上下文感知相关滤波目标跟踪算法研究[D].湖南工业大学.2019
[5].张微.基于相关滤波的时空上下文感知目标跟踪方法研究[D].西北大学.2019
[6].刘源.基于特征距离和时间效应的上下文感知推荐技术研究[D].北京邮电大学.2019
[7].梅磊.基于注意力交互网络的上下文感知推荐系统研究[D].山东大学.2019
[8].刘波,许廷发,李相民,史国凯,黄博.自适应上下文感知相关滤波跟踪[J].中国光学.2019
[9].匡海丽,常亮,宾辰忠,古天龙.上下文感知旅游推荐系统研究综述[J].智能系统学报.2019
[10].郑操.基于上下文感知的汤普森采样推荐算法研究[J].现代计算机(专业版).2019
论文知识图
