导读:本文包含了动态过滤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:动态,算法,模型,隐语,数据,向量,时序。
动态过滤论文文献综述
蒲怀强,雷利,陈昱州[1]（2019）在《天然气净化装置溶液过滤效率动态分析》一文中研究指出天然气在脱硫、脱碳、脱水等加工过程中,含硫天然气将不可避免携带一些难以及时分离清除杂质,与净化装置运行自身产生的腐蚀产物或系统残余机械颗粒物杂质,需通过溶液过滤系统逐步缓慢得到分离。因此,配置有效溶液过滤是装置长周期、平稳运行、挖潜增效首要条件。(本文来源于《石化技术》期刊2019年09期）
邓存彬,虞慧群,范贵生[2]（2019）在《融合动态协同过滤和深度学习的推荐算法》一文中研究指出在信息爆炸的时代,推荐系统在减轻信息过载方面发挥了巨大的作用。目前,推荐系统普遍使用传统的协同过滤算法学习用户商品行为矩阵中的隐向量,但是其存在数据稀疏性和冷启动问题,同时未考虑用户的兴趣偏好以及商品的受欢迎程度会随时间发生改变,这极大地限制了推荐的准确性。已有学者利用深度学习模型学习辅助信息的特征来扩充协同过滤算法的特征,取得了一定的成果,但并未充分有效地解决全部问题。以电影推荐为研究对象,提出了融合动态协同过滤和深度学习的推荐算法。首先,利用动态协同过滤算法融入时间特征;然后,利用深度学习模型来学习用户和电影特征信息,以形成高维潜在空间的用户特征和电影特征的隐向量;最后,将其融入到动态协同过滤算法中。以MovieLens为实验数据集对电影的评分进行预测,实验结果表明所提算法提高了电影评分预测的准确性。(本文来源于《计算机科学》期刊2019年08期）
傅勉[3]（2019）在《基于多层过滤和动态概率模型的试题抽取算法研究》一文中研究指出针对研究生考试涉及课程门类众多,内容要求灵活多变,并且存在数门课程合并出卷的特点,提出一种将多层过滤模型和动态概率模型相结合的试卷抽取方法,首先通过多层过滤模型层层过滤出符合出题要求的试题,然后使用动态概率模型对所有试题按照一定概率进行动态调整。结果表明试题分布合理,完全能够满足研究生考试试题抽取的需求。(本文来源于《西昌学院学报(自然科学版)》期刊2019年02期）
刘珊珊[4]（2019）在《大数据中基于混合协同过滤的动态用户个性化推荐》一文中研究指出为了提高大数据中动态用户个性化推荐的准确性和效率,采用基于混合协同过滤的方法来完成用户感兴趣数据的筛选,从而实现个性化推荐。先将用户数据及项目数据通过协同过滤算法来完成建模并评分,然后结合XGBoost模型的树形结构和正则学习的特点进行预测评分,接着将两种算法混合来求解最优目标函数,得到候选的推荐数据集合。最后通过实例仿真,混合算法精确度高,在大数据平台有较强的适用性。(本文来源于《软件工程》期刊2019年03期）
吴亚楠[5]（2019）在《基于分层过滤的动态数据竞争并发检测与验证》一文中研究指出当前,随着多核系统的广泛应用,多线程正成为一种必不可少的编程技术,通常用于从操作系统到智能多媒体应用程序,来提高特定程序的性能或响应性。但是,由于并发线程执行的不确定性,编写正确执行的多线程程序要比编写正确执行的顺序程序困难得多。当线程未正确同步时,非确定性线程交织可能对于同一输入会产生非确定性的输出。当这种不确定的线程行为导致系统故障或结果不正确时,它被称为并发错误。数据竞争就是多线程并发程序中最复杂的并发错误之一。并发线程执行调度的随机性和对共享存储空间访问的隐蔽性,造成了数据竞争的检测变得及其困难。动态数据竞争检测需要监视所有执行并分析多线程程序中的每个冲突的内存操作,导致大量的运行时开销。如何在有限的时间内检测和验证数据竞争成为提高软件可靠性和安全性的迫切问题。本文主要针对现有的动态数据竞争检测中产生的大量额外开销,且不能准确地找到有害竞争等问题,提出了一种分层过滤的方法来减少动态监视程序执行行为的高性能开销,并且通过两种并发策略高效地检测多线程程序中的数据竞争和验证有害竞争。首先,该算法利用动态二进制插桩工具Pin分别从Image级别(IML)、Section级别(SEL),Instruction级别(INL)和Code级别(COL)四个方面移除不必要的监视存储器操作,以减少原始踪迹中的冗余数据。其次,将Pin工具提取到的踪迹信息基于HashMap分为多个独立的集合,添加到多进程任务队列中,由进程池动态地调度每个进程,依据lockset算法和happens-before关系相结合的方式,并发地离线分析多线程并发程序中的数据竞争。然后使用加权Round-Robin算法将数据竞争按需划分到多台云服务器上,结合线程调度技术延迟阻塞以尽可能地创造竞争条件,在多台云服务器上并发验证数据竞争,识别出有害的竞争。最后,我们设计并实现了动态数据竞争检测工具,并从数据竞争的检测精度,检测效率和可扩展性等方面进行了测试分析,实验结果表明本文算法可以有效地检测和验证数据竞争,而不会对原始程序的性能产生很大的影响。(本文来源于《哈尔滨理工大学》期刊2019-03-01）
彭玉[6]（2019）在《一种基于用户动态社交网络的协同过滤推荐方法》一文中研究指出电子商务推荐系统的发展与数据稀疏性,冷启动,可扩展性和隐私保护的研究密切相关,尽管许多研究人员提出了不同的改进推荐算法来解决这些问题,但仍有很大的提升空间。在复杂的社交网络中,我们可以充分利用用户的动态信息偏好,社会关系和历史记录信息来改善推荐系统的性能。基于此,本文提出了一种基于用户动态社交网络信息的新型推荐算法,解决了传统协同过滤算法中的冷启动问题,同时,由于考虑了用户偏好随时间的动态变化因素,改进的推荐方法准确度大大提高。(本文来源于《电脑知识与技术》期刊2019年04期）
龚成,王洁,汪丽君[7]（2018）在《基于动态时序的特征复合协同过滤算法》一文中研究指出协同过滤算法是推荐系统中研究较为广泛和深入的算法,为解决传统协同过滤算法无法处理时间动态变化的问题,提出一种新的改进算法:SpecialTSVD++算法。在传统SVD++算法中分别融入用户评分的时间信息、用户和物品的时间偏置,并且加入用户特征信息,增强数据与时间的关联度,体现数据的动态变化,并且结合用户属性产生个性化推荐结果。Movielens-10m数据集上的实验结果表明,SpecialTSVD++算法通过对时间动态变化带来的推荐影响进行优化处理,使推荐结果更加贴近用户当前需求,能显着提升推荐系统准确率。(本文来源于《软件导刊》期刊2018年11期）
王剑,余青松[8]（2019）在《关联性动态加权的协同过滤推荐》一文中研究指出利用传统的协同过滤(CF)算法进行推荐时,由于用户评分矩阵比较稀疏,直接得到的用户或者项目之间的相似度相对而言可信度就比较低。为了解决这个问题,在传统的协同过滤基础上,引入项目与项目之间的关联性,通过在项目的类别标签和二部图的方法之间构建动态权重因子来融合这两种关联,形成非对等关联性关系,并做出用户对项目的评分预测,从而解决评分矩阵过于稀疏的问题。研究结果表明,相比于传统方法中使用对等相似度关系以及固定权值的方法,通过动态权重融合关联性形成非对等的关系的方法,更贴合生活实际,并且有更好的推荐效果。(本文来源于《计算机应用研究》期刊2019年11期）
阮榕城[9]（2018）在《基于动态索引和虚拟多重字符过滤的新型字符串相似性连接分布式算法研究》一文中研究指出字符串相似性连接就是可以在单个或多个字符串样本数据集中,找出位于数据集中的所有相似字符串对。随着互联网信息系统和人工智能系统的不断发展,字符串相似性连接在很多应用中具有广泛的使用场景,例如网页相似性检索、数据融合、生物信息学、模糊字符串匹配等,是最近几年备受关注的科研方向之一。并且,越来越多的互联网企业都把字符串相似性连接作为未来人工智能发展的基础建设。但是,大数据时代的到来,海量字符串数据日益普遍,现有的字符串相似性连接算法在处理海量数据集时并不高效,主要有如下限制:(1)现有的算法均在将海量数据存储在磁盘中,然后在计算相似性的时候导入内存。然而这些算法都会在内存中产生大量的倒转索引,大量冗余索引将大大超过单台机器节点的内存限制。(2)现有的算法使用的过滤机制并不高效,产生的候选集中仍然包含大量的不相似子集,后续的数据验证环节就需要消耗更多的时间去验证数据。(3)现有的算法都是基于单台机器节点使用,然而单机器节点的内存往往是受限的,不易扩容,已经难以应付海量的数据集。本文在传统字符串相似性连接算法的基础上提出了一种新型的基于动态索引和虚拟多重字符过滤的分布式算法——DV-Join。新的算法能够解决传统算法的历史遗留问题。本文主要在以下几个方面有了重大突破:(1)该算法引入动态索引,在计算相似性的过程中动态调整已经产生的倒转索引,能够大大减少倒转索引的内存消耗。(2)在原有的过滤机制上添加了虚拟多重字符过滤算法,能进一步过滤候选对集合中非相似子集的数量,节省候选集验证时间。(3)使用开源的集群分布式系统Spark,在集群中并行执行对海量数据的处理计算任务,大大减少计算时间。在经过了大量的实验后,能够得到以下结论:DV-Join算法在处理海量数据集时,比已有的传统字符串相似性连接算法更有效率。(本文来源于《厦门大学》期刊2018-06-30）
龚成[10]（2018）在《基于隐语义模型的动态协同过滤算法的研究》一文中研究指出推荐系统收集用户的行为历史数据,构造相关模型预测用户需求和兴趣,为用户过滤出有用的信息,为当前大数据时代的“信息过载”问题提供了解决方案。协作过滤是推荐系统中广泛使用的一种算法。它只需要“用户项目”之间的少量历史评分数据就能高效构建推荐系统预测用户的需求。然而,随着数据规模的扩大,数据类型丰富度的增加以及应用环境的多样性。数据稀疏性,可伸缩性,实时性等是目前协同过滤算法遇到的主要问题。本文针对协同过滤算法中的数据稀疏性和实时性问题进行了研究,对基于隐语义模型的协同过滤算法进行改进。主要工作体现在以下两个方面:第一,实时性一直是协同过滤算法研究中的主要问题,用户对项目的偏好会随时间发生变化,项目本身也会在不同时间段表现出不同概念。因此,对时间动态建模对于设计推荐系统或一般用户偏好模型是必不可少的。本文在传统的SVD++算法的基础上进行改进,对评分数据随时间变化规律进行建模,分别融入了用户偏好特征因子时间信息、用户时间偏置和项目时间偏置,在此基础上还加入了用户特征信息,提出了一种新的改进算法:SpecialTSVD++算法。本文改进的算法加强了数据与时间的联系,体现了推荐结果随时间的动态变化,提升了预测评分的准确度。第二,针对协同过滤算法存在的数据稀疏性问题,本文结合基于密度的主动学习策略和SpecialTSVD++算法,提出了ESpecialTSVD++算法,该算法通过为现有用户自动“添加”评分来降低评分矩阵的数据稀疏性。其方法将原有的矩阵拆分成密集型的子矩阵,子矩阵的评分数据都由评分较多的用户提供,再对子矩阵中的缺省值用SpecialTSVD++算法进行预测填充从而得到完整矩阵,最后将已经完整填充的子矩阵融合进原始矩阵中,提高了原始矩阵中的已知评分数量,使得原始数据更加丰富,推荐准确度得到提升。进一步本文在原本单层ESpecialTSVD++模型基础上提出了多层模型,多层的ESpecialTSVD++模型通过迭代式的训练学习解决了单层模型在预测数值较多时和原始模型数据偏差较大的问题。(本文来源于《北京工业大学》期刊2018-06-01）
动态过滤论文开题报告
（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：
在信息爆炸的时代,推荐系统在减轻信息过载方面发挥了巨大的作用。目前,推荐系统普遍使用传统的协同过滤算法学习用户商品行为矩阵中的隐向量,但是其存在数据稀疏性和冷启动问题,同时未考虑用户的兴趣偏好以及商品的受欢迎程度会随时间发生改变,这极大地限制了推荐的准确性。已有学者利用深度学习模型学习辅助信息的特征来扩充协同过滤算法的特征,取得了一定的成果,但并未充分有效地解决全部问题。以电影推荐为研究对象,提出了融合动态协同过滤和深度学习的推荐算法。首先,利用动态协同过滤算法融入时间特征;然后,利用深度学习模型来学习用户和电影特征信息,以形成高维潜在空间的用户特征和电影特征的隐向量;最后,将其融入到动态协同过滤算法中。以MovieLens为实验数据集对电影的评分进行预测,实验结果表明所提算法提高了电影评分预测的准确性。
（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。
动态过滤论文参考文献
[1].蒲怀强,雷利,陈昱州.天然气净化装置溶液过滤效率动态分析[J].石化技术.2019
[2].邓存彬,虞慧群,范贵生.融合动态协同过滤和深度学习的推荐算法[J].计算机科学.2019
[3].傅勉.基于多层过滤和动态概率模型的试题抽取算法研究[J].西昌学院学报(自然科学版).2019
[4].刘珊珊.大数据中基于混合协同过滤的动态用户个性化推荐[J].软件工程.2019
[5].吴亚楠.基于分层过滤的动态数据竞争并发检测与验证[D].哈尔滨理工大学.2019
[6].彭玉.一种基于用户动态社交网络的协同过滤推荐方法[J].电脑知识与技术.2019
[7].龚成,王洁,汪丽君.基于动态时序的特征复合协同过滤算法[J].软件导刊.2018
[8].王剑,余青松.关联性动态加权的协同过滤推荐[J].计算机应用研究.2019
[9].阮榕城.基于动态索引和虚拟多重字符过滤的新型字符串相似性连接分布式算法研究[D].厦门大学.2018
[10].龚成.基于隐语义模型的动态协同过滤算法的研究[D].北京工业大学.2018
论文知识图
