导读:本文包含了矩阵分解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:矩阵,分解,光谱,社交,界约,神经网络,梯度。
矩阵分解论文文献综述
金欢[1]（2019）在《基于矩阵分解的情景感知个性化推荐法研究》一文中研究指出如今,情境感知推荐系统已成为推荐系统研究的主要研究领域之一。本文首先介绍了矩阵分解算法在个性化推荐中的应用,主要对比了PureSVD、Funk SVD和Bias SVDd叁种算法优缺点;然后,介绍了情境预过滤、情境后过滤和情境建模叁种情感知技术;最后,分析了基于矩阵分解的情境感知推荐算法的特点和优势。(本文来源于《科技风》期刊2019年35期）
王运,倪静,马刚[2]（2019）在《基于FunkSVD矩阵分解和相似度矩阵的推荐算法》一文中研究指出传统基于用户的协同过滤推荐算法在计算用户相似性时经常面临数据稀疏的问题,同时忽略了不同评分项目之间的差异。针对这些问题,提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法。利用用户评分数据与物品标签数据计算出用户的相似度矩阵;利用FunkSVD对得到的相似度矩阵进行矩阵分解,生成新的用户相似度矩阵;根据用户之间评分数据对两个相似度矩阵中的用户相似度加权组合,并生成用户的综合相似度矩阵来对用户进行评分预测。经过Movielens数据集的实验表明,该算法提高了预测的准确性,优于传统的推荐算法。(本文来源于《计算机应用与软件》期刊2019年12期）
胡思才,孙界平,琚生根,王霞[3]（2019）在《基于深度神经网络和概率矩阵分解的混合推荐算法》一文中研究指出针对个性化推荐中用户和项目描述信息未充分利用,用户评分矩阵数据集极端稀疏的情况,提出了基于深度神经网络和概率矩阵分解(PMF)的混合推荐算法.首先,对用户和项目描述信息进行预处理,形成包含用户偏好特征的用户和项目特征集,再将各特征输入深度神经网络模型中进行训练.同时,利用概率矩阵分解模型,根据用户评分矩阵通过最大后验估计优化得到潜在特征向量;然后,通过对概率矩阵分解模型的用户和项目潜在特征向量以及深度神经网络模型的真实特征向量进行迭代更新,收敛得到融合用户和项目真实信息的潜在特征向量;最后,利用该特征向量对用户进行个性化推荐.实验证明,本文算法较经典推荐算法以及前人算法在均方误差与平均绝对误差指标上均有改善,说明本文算法的有效性.(本文来源于《四川大学学报(自然科学版)》期刊2019年06期）
张帆,李林[4]（2019）在《基于非负矩阵分解与调和函数的半监督学习方法》一文中研究指出数据分类是统计学的重要组成部分,为统计与决策提供高质量的数据支撑。半监督学习作为重要的数据分类方法,近年来被广泛研究,文章提出了一种基于非负矩阵分解与调和函数的半监督学习方法(NMF-HF)。首先,对原始数据矩阵进行非负矩阵分解(NMF)从而得到特征矩阵,利用调和函数(HF)的性质对原始数据进行数据分类,最后将该方法(NMF-HF)与经典分类方法进行分类准确率对比,得到的实验结果证明了NMF-HF的高效性。(本文来源于《统计与决策》期刊2019年22期）
杨文康,方勇华,刘家祥,吴越,张蕾蕾[5]（2019）在《基于改进非负矩阵分解的多组分气体光谱解混算法》一文中研究指出从重迭情况严重的混合气体光谱中解析出单一纯光谱数据,一直是光谱解析的难点。为了得到理想的解混精度,采用改进的非负矩阵分解算法,引入光谱的相关性约束与平滑性约束,并给出优化的梯度下降法的迭代步长,以避免算法收敛到局部不稳定点带来的影响.改进的算法既综合了矩阵的分解误差,又考虑了混合光谱特性的影响。实验数据表明,改进的非负矩阵分解得到的解混结果能够准确解析出各源光谱的特征峰形状,并且各解混结果之间几乎没有混合迭加影响部分,可以满足后续的光谱识别工作。(本文来源于《量子电子学报》期刊2019年06期）
熊丽荣,沈树茂,范菁[6]（2019）在《融合社区结构和社交影响力的矩阵分解推荐》一文中研究指出基于直接社交关系的矩阵分解推荐算法只考虑了用户的直接社交关系,而忽略了用户的间接社交关系.而与用户直接相邻的用户往往较少,存在数据稀疏问题,影响推荐结果的准确度.同一个社区内的用户在一些方面会存在相似性,彼此之间会产生影响.利用社区内用户间社交关系,本文提出了一种融合社区结构和社交影响力的矩阵分解推荐算法.算法同时使用用户评分信息和社交网络结构信息,来计算用户间社交影响力和构建推荐模型.发现用户社区,结合社区信息计算用户个人影响力.将用户之间的影响力和用户的个人影响力相结合,得到非对称的用户之间的影响力,从而增强推荐效果.实验证明该算法比现有算法能够得到更优的推荐结果.(本文来源于《小型微型计算机系统》期刊2019年11期）
邓秀勤,刘太亨,刘富春,龙咏红[7]（2019）在《基于全加权矩阵分解的用户协同过滤推荐算法》一文中研究指出针对传统的基于用户协同过滤推荐算法将用户对某物品的喜好程度等同看待的问题,文中提出了一种融合全加权矩阵分解的用户协同过滤模型。该模型首先为观测值设计频率感知加权,且非均匀地设计用于未观测值的用户导向加权。然后组合观测值和未观测值的加权,并根据评分确定用户声誉和用户关系的相似性,构建融合全加权矩阵分解的用户协同过滤模型。为了验证提出的推荐算法的性能,在Douban、Epinions和Last.fm 3个真实数据集上进行了仿真实验。实验结果表明,所提出的AWMF_UCFR算法的推荐准确性与MF算法、WRMF-UO算法、SoRS算法相比有显着提高。(本文来源于《计算机科学》期刊2019年S2期）
孙莉,于瑞林,吴杰芳[8]（2019）在《非负矩阵分解与光谱解混》一文中研究指出非负矩阵分解(NMF)用两个非负矩阵的乘积近似原始数据对应的非负矩阵,它为基于线性光谱混合模型的光谱解混提供了新途径。给出NMF在光谱解混中叁个矩阵的具体含义后,用五种求解NMF的有效算法,对Jasper Ridge的高光谱遥感图像进行解混。讨论了五种算法的迭代方式以及收敛性质。实验结果表明,五种算法能成功分离出4种端元光谱以及相应的丰度谱图,其中有效集型算法表现突出。(本文来源于《山东农业大学学报(自然科学版)》期刊2019年05期）
李帅标,赵海燕,陈庆奎,曹健[9]（2019）在《回归与矩阵分解的业务过程时间预测算法》一文中研究指出随着信息技术的不断发展,企业的竞争也越来与越激烈,为了提高业务过程效率,业务过程时间预测在近几年得到了越来越多的关注.然而,现有的业务过程时间预测方法没有考虑隐因子对业务过程活动时间预测的影响.为此,本文提出一种结合回归与联合概率矩阵分解的时间预测方法.该方法结合上下文环境(可观测特征与不可观测特征)对活动执行时间进行预测,并将该方法应用于两种不同业务过程类型的真实数据集中.实验结果表明,我们的方法与相关的业务过程时间预测方法相比具有更高的预测精度.(本文来源于《小型微型计算机系统》期刊2019年10期）
许铭,王冬霞,周城旭,张伟[10]（2019）在《改进的Kullback-Leibler复非负矩阵分解语音增强算法》一文中研究指出针对单通道非负矩阵分解语音增强算法忽略相位信息的问题,提出了一种改进的Kullback-Leibler复非负矩阵分解的语音增强算法。该算法考虑到传统非负矩阵分解算法在复频域中增强语音时目标函数的影响,构建了一种适用于复频域的Kullback-Leibler散度下的目标函数,同时采用频谱一致性约束相位谱补偿算法,使其重构出的语音数据相位谱得到进一步的调制。实验结果表明,对于不同的非平稳噪声,所提出的算法在不同信噪比下均取得了较好的语音增强效果,尤其在低信噪比条件下(0 dB以下)语音增强效果较为明显,性能评估指标的增量较高,较好地克服了由传统相位谱补偿算法造成的信源失真率较低的缺点,进一步减少失真,抑制背景噪声,实现语音增强。(本文来源于《声学技术》期刊2019年05期）
矩阵分解论文开题报告
（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：
传统基于用户的协同过滤推荐算法在计算用户相似性时经常面临数据稀疏的问题,同时忽略了不同评分项目之间的差异。针对这些问题,提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法。利用用户评分数据与物品标签数据计算出用户的相似度矩阵;利用FunkSVD对得到的相似度矩阵进行矩阵分解,生成新的用户相似度矩阵;根据用户之间评分数据对两个相似度矩阵中的用户相似度加权组合,并生成用户的综合相似度矩阵来对用户进行评分预测。经过Movielens数据集的实验表明,该算法提高了预测的准确性,优于传统的推荐算法。
（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。
矩阵分解论文参考文献
[1].金欢.基于矩阵分解的情景感知个性化推荐法研究[J].科技风.2019
[2].王运,倪静,马刚.基于FunkSVD矩阵分解和相似度矩阵的推荐算法[J].计算机应用与软件.2019
[3].胡思才,孙界平,琚生根,王霞.基于深度神经网络和概率矩阵分解的混合推荐算法[J].四川大学学报(自然科学版).2019
[4].张帆,李林.基于非负矩阵分解与调和函数的半监督学习方法[J].统计与决策.2019
[5].杨文康,方勇华,刘家祥,吴越,张蕾蕾.基于改进非负矩阵分解的多组分气体光谱解混算法[J].量子电子学报.2019
[6].熊丽荣,沈树茂,范菁.融合社区结构和社交影响力的矩阵分解推荐[J].小型微型计算机系统.2019
[7].邓秀勤,刘太亨,刘富春,龙咏红.基于全加权矩阵分解的用户协同过滤推荐算法[J].计算机科学.2019
[8].孙莉,于瑞林,吴杰芳.非负矩阵分解与光谱解混[J].山东农业大学学报(自然科学版).2019
[9].李帅标,赵海燕,陈庆奎,曹健.回归与矩阵分解的业务过程时间预测算法[J].小型微型计算机系统.2019
[10].许铭,王冬霞,周城旭,张伟.改进的Kullback-Leibler复非负矩阵分解语音增强算法[J].声学技术.2019
论文知识图
