导读:本文包含了个性化信息推荐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:信息,表征,模型,社交,用户,图书,系统。
个性化信息推荐论文文献综述
杨元,杨昌斌[1]（2019）在《大学生个性化需求的新媒体信息推荐策略》一文中研究指出青年大学生处于思想成长成熟的关键时期,探索提供满足青年大学生个性化需求的新媒体信息资源策略可以为青年大学生健康成长提供新的"保护罩"。在分析青年大学生信息需求特征的基础上,文章提出个性化推荐系统在青年大学生获取网络信息资源过程中可发挥的作用,为互联网平台构建面向青年大学生的个性化推荐系统提出设想和展望,并针对满足青年大学生信息需求的个性化系统构建提出参考策略。(本文来源于《学校党建与思想教育》期刊2019年24期）
丁晓东[2]（2019）在《用户画像、个性化推荐与个人信息保护》一文中研究指出网络社会中的用户画像与个性化推荐已经越来越普遍,对个人信息保护提出了挑战。通过分析,可以发现网站对用户匿名行为信息收集常常存在不规范的情况。一方面,应当将用户匿名行为信息纳入个人信息的范畴,确保用户画像与个性化推荐中用户的知情权与拒绝权;另一方面,应当将用户匿名行为信息和已识别个人信息区别对待,采取特殊的个人信息保护机制。规制用户画像与个性化推荐中的信息收集与使用,应当要求企业承担更多的治理责任,保障用户的信息质量与信息安全。在用户匿名行为信息收集阶段,应当允许企业在用户明确同意或可预期的前提下进行信息收集;在信息的汇聚融合与用户画像阶段,应当要求企业承担相应的数据信息安全保障义务;在信息利用与个性化推荐阶段,应当要求企业注意相关伦理规范,避免利用用户敏感信息进行推送。企业对用户匿名行为信息的收集、汇聚与利用应当采取基于标准而非规则的风险规制路径,避免套用一般性的个人信息保护法律框架。(本文来源于《环球法律评论》期刊2019年05期）
张华,魏大威[3]（2019）在《面向“国图公开课”的数字图书馆个性化信息推荐服务研究》一文中研究指出面向"国图公开课",构建联系用户兴趣与长尾资源的个性化信息服务模型。结合"国图公开课"数据资源池与用户行为池的业务场景,挖掘用户隐式兴趣信息,深化数字图书馆个性化信息推荐服务模式。基于用户显式行为的兴趣建模不能够良好地表征用户的个性化知识需求,挖掘用户的隐式兴趣特征并融入到个性化信息推荐服务中,以此改善用户兴趣矩阵数据稀疏引起的图书馆信息服务性能不理想状况,有效提升现代数字图书馆的用户体验及资源利用效能。(本文来源于《图书馆学研究》期刊2019年17期）
徐同伟,刘国敏,梁瑞霞,沈仕巡,余朝静[4]（2019）在《基于改进个性化推荐的图书信息系统研究》一文中研究指出为提高图书馆藏资源的利用率,将改进个性化推荐技术应用到图书信息系统中,改善图书推荐系统性能。根据读者的个人信息,将读者划分到对应的借阅群体中;利用读者的借阅和检索历史记录,建立图书推荐模型;通过收集和分析读者的借阅行为,对传统图书推荐模型进行改进,提高图书推荐系统的精确性。研究表明,图书推荐系统能够将馆藏资源精确推送给读者,减少读者检索图书的时间,提高馆藏资源的利用率。(本文来源于《电脑知识与技术》期刊2019年26期）
黎雪微,应时,洪伟[5]（2019）在《基于语义关联和信息距离的个性化推荐方法研究》一文中研究指出[目的/意义]传统推荐方法仅考虑用户过去的兴趣偏好,忽略了用户兴趣偏好的漂移性问题,使得推荐结果过于专门化,不能给用户提供新颖的推荐项目。[方法/过程]文章提出了一种基于语义关联和信息距离的个性化推荐方法,该方法将项目的信息量融入到传统的语义关联相似度中,从而实现了用户兴趣偏好的有益迁移,使推荐得到有效扩展,改善了推荐专门化问题。[结果/结论]通过设计实验验证了信息距离能够对推荐结果产生较大影响,提出的方法可以给用户推荐其感兴趣并且更有价值的项目。随着新项目的不断加入,项目的信息量会动态变化,系统会不断调整推荐列表以适应用户需求。[局限]不足之处在于模拟仿真实验下样本量不足引起的可信度问题,后续的研究将利用爬虫工具收集大数据进行算法测试,验证方法在大样本环境下的有效性。(本文来源于《情报理论与实践》期刊2019年11期）
李欣鞠[6]（2019）在《个性化推荐算法下的“信息茧房”效应研究——以“天天快报”为例》一文中研究指出个性化推荐算法给信息传播领域带来了许多好处,但这种信息接受方式也很可能把用户禁锢在一个封闭的空间,就好像"信息茧房"。本文以"天天快报"为例,运用问卷调查法探究个性化推荐算法的表现,分析天天快报中"信息茧房"的形成过程,并提出突破个性化推荐算法的"信息茧房"效应要从用户和媒体两方面着手。(本文来源于《西部广播电视》期刊2019年13期）
薛子凡[7]（2019）在《社交媒体个性化推荐机制下“信息茧房”效应研究——以新浪微博为例》一文中研究指出诸多社交媒体相继采用个性化推荐机制提供精准服务,以期在激烈的用户竞争中胜出。然而,用户在大量接收感兴趣的信息的同时,也面临着信息窄化的问题,看似自由的信息交流表象下,其实暗藏着"信息茧房"陷阱。本文试图通过对"新浪微博"受众使用个性化推荐的行为,进一步探讨"信息茧房"效应的表现与影响。通过分析得出:由于受"信息茧房"所带来的信息窄化、群体极化等影响,受众出现了一系列认知问题,规避"信息茧房"迫在眉睫,由此提出削弱"信息茧房"影响的合理化建议。(本文来源于《中北大学学报(社会科学版)》期刊2019年04期）
杨韶华[8]（2019）在《碎片化学习资源信息表示及个性化推荐策略研究——以《计算机组装与维护》课程为例》一文中研究指出如何在海量、冗余、离散的碎片化资源中准确快速地得到学习者最需要的资源是个性化资源推荐策略研究的主要内容。以《计算机组装与维护》课程的碎片化资源建设为例,在学习元模型理论的基础上,运用XML技术表示学习过程中产生的非结构化资源的动态数据结构,并构建了碎片化学习资源个性化推荐模型。运用艾宾浩斯遗忘曲线和形式背景理论,根据用户的学习路径、知识结构、学习频率等参数实现动态的学习伙伴和学习资源推荐。(本文来源于《电脑知识与技术》期刊2019年16期）
许可[9]（2019）在《融合社交信息的个性化推荐研究》一文中研究指出随着在线网络的迅速发展和广泛应用,人们在享受科技带来新生活的同时也面临“信息过载”的困扰。推荐系统被认为是解决信息过载最有效的方式之一,受到了工业界和学术界的广泛关注。社交是人类作为社会性群体的基本属性,也是现代互联网应用发展的必备要素。得益于在线社交功能的不断完善和社交信息的大量补给,融合社交信息提升个性化推荐的效果已成为近年来推荐领域的研究热点。虽然目前的研究工作已经在该领域取得了一定的研究成果,然而在推荐的准确性、多样性等方面仍存在不足。因此,针对特定网络的特点和现有研究工作的不足,本文从叁个方面对融合社交信息的个性化推荐展开深入研究,并取得以下主要成果:一、针对单向社交网络中用户推荐的准确性问题,本文研究了融合关注关系进行个性化推荐,提出了一个新的用户推荐框架UIS-MF。单向社交网络中,仅使用关注关系为目标用户过滤不相关用户是一项艰巨且关键的任务。相关工作直接使用关注关系完成推荐而不区分关注关系建立背后的兴趣动因和社交动因,导致了用户偏好预测不够全面进而影响了推荐准确性。有鉴于此,本文设计了一个两阶段用户推荐框架UIS-MF。在第一阶段,一个基于用户关注关系的概率主题模型UIS-LDA被提出用于聚类用户的兴趣主题和社交主题。该模型的创新点是将生成的波利亚罐子模型引入采样过程以有效指导两类主题的生成,也是首个联合建模用户兴趣偏好和社交偏好的主题模型;在第二阶段,一个基于社区的矩阵分解方法被提出用于完成用户推荐。该方法首先依赖提取的主题形成相应的兴趣社区和社交社区,随后对每个社区执行矩阵分解,最终为目标用户推荐N个与之兴趣最为相近或社交联系最为密切的其他用户。通过Twitter、Sina Weibo和Epinions数据集上的实验可知,相比于单独考虑用户兴趣或单独考虑社交联系的主题模型,UIS-LDA模型在推荐准确性上总能获得最优结果。同时,基于社区的方法在一定程度上缓解了数据稀疏性问题。与同类推荐方法相比,UIS-MF在推荐准确性上的各方面指标提升显着。二、针对信任网络中物品推荐的准确性问题,本文研究了融合信任关系进行个性化推荐,提出了两个更优的融合信任关系的物品排序推荐方法:BPRDR和FSDR。并且基于BPRDR框架,提出了一个同时融合不信任关系的物品排序推荐方法BPRTaD。通过对Epinions、Ciao和FilmTrust数据集进行统计分析发现,用户在选择物品时不仅会受到她信任的人的影响,同时也被信任她的人所影响。相关工作没有全面考虑来自这两种信任角色的“双重角色影响”,进而影响了推荐的准确性。有鉴于此,本文提出了两个不同的融合“双重角色影响”的矩阵分解方法。其中,BPRDR使用叁个成对假设刻画“双重角色影响”,并在贝叶斯个性化排序框架下对这叁个成对的用户偏好进行排序优化,最终通过矩阵分解获得用户对物品的偏好分数;FSDR采用特征矩阵隐式向量的相似度量化“双重角色影响”,并结合用户-用户相似度以及物品-物品相似度共同计算出用户对物品的偏好分数。最终两个方法均通过排序偏好分数为目标用户生成包含前N个物品的推荐列表。实验结果表明,BPRDR和F进一步提升了同类推荐方法的准确性,验证了“双重角色影响”在排序推荐中的积极作用。此外,为了研究不信任关系对物品排序推荐的影响,本文提出BPRTaD方法,该方法首次将不信任关系引入贝叶斯个性化排序模型。与BPRDR不同,BPRTaD考虑的是来自用户信任的人以及不信任的人的“双重角色影响”。尽管如此,BPRTaD有与BPRDR类似的成对假设结构、优化思路和推荐策略。实验结果表明,BPRDR在叁个准确性指标上提升明显,凸显不信任关系对排序推荐的重要性,为信任网络中排序推荐的进一步研究带来有益启发。叁、针对在线网络物品推荐的准确性和多样性两难问题,本文研究了融合好友关系和个体好奇心进行个性化推荐,提出了一个好奇心驱动的推荐框架CdRF。推荐系统过度强调准确性会令用户感觉无聊,而过度强调多样性又会令用户感觉不安。针对该两难问题,本文基于好奇心驱动、社会冲突和中间唤醒潜能叁个心理学理论,提出了一个全新的刺激诱发的好奇心机制SeCM。该机制首先量化物品对各个用户呈现出来的新颖刺激强度和冲突刺激强度,随后采用Wundt曲线建模用户个性化的好奇心。SeCM的创新点是首次从好友-物品反馈视角定义和量化冲突刺激,也是第一个全面考虑两种刺激诱因的好奇心机制,同时首次构造出具备学习能力的Wundt曲线。为了完成物品推荐任务,本文提出了一个好奇心驱动的推荐框架CdRF。该框架采用Borda计数将SeCM和现有以准确性为目标的矩阵分解算法结合,最终为目标用户推荐N个既与之相关又能诱发其较高好奇心的物品。通过MovieLens-1M和MovieLens-l00K数据集上的十四种内外部方法对比实验可知,SeCM能够显着提升推荐的多样性。CdRF在保证相对较高准确性的同时,能够灵活地且更快更多地提升推荐的多样性,有效地缓解了准确性和多样性两难问题。(本文来源于《华南理工大学》期刊2019-06-02）
杜鹰鹏[10]（2019）在《基于辅助信息的个性化推荐算法研究》一文中研究指出互联网技术的飞速发展导致了信息的爆炸式增长,人们难以在海量的信息中及时准确地捕获自身所需要的部分,从而引发了“信息过载”问题。为了缓解这一问题,个性化推荐系统应运而生,它可以帮助人们发现和挖掘所需要或感兴趣的信息。早期的推荐算法大多只考虑了用户与项目(user-item)的二元关系,这可能导致推荐算法的推荐性能不佳。近年来,人们开始利用用户所处的环境和状态(如位置、时间等等,被称为上下文信息context information)或者用户和项目的属性描述(如用户的性别、项目的品牌等等,被称为侧信息side information)等辅助信息,来提高推荐算法的性能表现。本文通过对已有研究工作进行总结,发现现有算法主要存在以下问题:1)依赖于专家的人力工作来构造特征和选择特征;2)难以学习到真实世界中数据的非线性关系和复杂结构;3)依赖于深度神经网络模型,复杂度较高并且缺乏可解释性。针对上述问题,本文提出了一个适用于推荐任务的表征学习框架,可以有效地将辅助信息融入推荐过程:1)该框架采取了端到端(end-to-end)的结构,可以自动学习用户和项目的有效混合表征,无需人工构造和选择特征。2)该框架提出了一种N-way级联池化融合方法,该方法能够学习到真实世界中数据的非线性关系和复杂结构。3)该框架可以采取简洁的实现形式来融合辅助信息,并可以在不同的情境下根据实际需要设计实现方法,增强了模型的可解释性。本研究认为,不同类型的辅助信息具有不同的特点,推荐过程应该考虑到辅助信息自身的特点,这样才能有效地将它们融入推荐过程,增加模型的可解释性。本研究根据辅助信息类型的特点,提出了表征学习框架的两种不同实现方法——基于上下文信息的层次混合表征模型和基于侧信息的行为推断表征模型。对于前者,本研究认为用户的行为很大程度上取决于他们的一般偏好和所处的上下文环境,将在上下文情景下的表征学习框架实现为一种层次混合表征模型。该模型采取了两层结构的表征学习框架来学习用户相对于上下文环境的动态偏好:第一层将用户所处的上下文环境特征融合成上下文表征向量,第二层将用户的一般偏好向量和上下文表征向量相结合,来表示用户相对于上下文环境的动态偏好。对于后者,本研究认为用户和项目的侧信息有助于刻画用户的偏好和项目的特性。然而,用户和项目可能会对他(它)们的侧信息“撒谎”或“保持沉默”,导致“刻画”的失真或不足。为了解决这个问题,本研究利用异质信息网络中与行为有关的元路径来推断用户和项目的隐式画像信息,缓解这种“刻画”的失真或不足。本文将侧信息情景下的表征学习框架实现为一种基于行为推断的表征模型。该模型首先挖掘出用户和项目的隐式画像特征,然后通过推理模型将这些特征统一表征,最后输入表征学习框架来学习用户和项目有效的混合表征。本研究通过大量的实验发现:在大量真实世界数据集上,基于表征学习框架的实现模型表现均优于当前高水准的推荐算法。这表明:1)本文提出的推荐表征学习框架可以有效地探索到真实世界中数据的非线性关系和复杂结构,且不依赖于人工构造和选择特征。2)表征学习推荐框架可以将不同类型的辅助信息用以推荐过程,同时该框架可以根据辅助信息类型采取不同的实现形式,使得模型具有较强的解释性。(本文来源于《北京大学》期刊2019-06-01）
个性化信息推荐论文开题报告
（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：
网络社会中的用户画像与个性化推荐已经越来越普遍,对个人信息保护提出了挑战。通过分析,可以发现网站对用户匿名行为信息收集常常存在不规范的情况。一方面,应当将用户匿名行为信息纳入个人信息的范畴,确保用户画像与个性化推荐中用户的知情权与拒绝权;另一方面,应当将用户匿名行为信息和已识别个人信息区别对待,采取特殊的个人信息保护机制。规制用户画像与个性化推荐中的信息收集与使用,应当要求企业承担更多的治理责任,保障用户的信息质量与信息安全。在用户匿名行为信息收集阶段,应当允许企业在用户明确同意或可预期的前提下进行信息收集;在信息的汇聚融合与用户画像阶段,应当要求企业承担相应的数据信息安全保障义务;在信息利用与个性化推荐阶段,应当要求企业注意相关伦理规范,避免利用用户敏感信息进行推送。企业对用户匿名行为信息的收集、汇聚与利用应当采取基于标准而非规则的风险规制路径,避免套用一般性的个人信息保护法律框架。
（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。
个性化信息推荐论文参考文献
[1].杨元,杨昌斌.大学生个性化需求的新媒体信息推荐策略[J].学校党建与思想教育.2019
[2].丁晓东.用户画像、个性化推荐与个人信息保护[J].环球法律评论.2019
[3].张华,魏大威.面向“国图公开课”的数字图书馆个性化信息推荐服务研究[J].图书馆学研究.2019
[4].徐同伟,刘国敏,梁瑞霞,沈仕巡,余朝静.基于改进个性化推荐的图书信息系统研究[J].电脑知识与技术.2019
[5].黎雪微,应时,洪伟.基于语义关联和信息距离的个性化推荐方法研究[J].情报理论与实践.2019
[6].李欣鞠.个性化推荐算法下的“信息茧房”效应研究——以“天天快报”为例[J].西部广播电视.2019
[7].薛子凡.社交媒体个性化推荐机制下“信息茧房”效应研究——以新浪微博为例[J].中北大学学报(社会科学版).2019
[8].杨韶华.碎片化学习资源信息表示及个性化推荐策略研究——以《计算机组装与维护》课程为例[J].电脑知识与技术.2019
[9].许可.融合社交信息的个性化推荐研究[D].华南理工大学.2019
[10].杜鹰鹏.基于辅助信息的个性化推荐算法研究[D].北京大学.2019
论文知识图
