一、一种基于内容的信息过滤改进模型（论文文献综述）
石力[1]（2021）在《社区电商用户复购行为预测及推荐算法研究》文中提出随着电子商务的快速发展,参与社区网购的用户与日俱增,同时也为企业积累了大量的运营数据。电商数据中用户的复购行为可以体现用户的偏好,也是电商企业的重要利润来源。如何基于大数据预测用户的复购行为,并提升用户的复购意向成为社区电商平台面临的重要挑战。复购行为预测可用于个性化推荐系统中,识别具有重复购买意向的客户,从而达到精准营销,为用户提供个性化服务的目的。精准挖掘用户行为规律是准确预测复购行为的关键。尽管已有部分学者开展了基于数据统计规律的电商平台推荐算法研究,但在实际应用中仍有许多问题有待解决。如何构建推荐算法,基于数据预测社区电商平台用户的复购行为成为学术界和企业界研究的热点。本文以社区电商平台为基础,从企业实际运营数据出发,通过数学建模的方式研究了基于用户特征的复购行为预测与推荐算法。首先,针对社区电商平台中“用户群体固定”和“用户重复购买”这两个核心特征,提出了改进RFM（Recency、Frequency、Monetary）模型的用户特征提取方法,利用K-means++算法对用户进行聚类分析;其次,基于该用户特征提取模型,构建了客户购买行为特征,研究用户行为预测问题,通过挖掘消费者购买行为数据分布规律,预测消费者重复购买行为;为了保证社区电商的商品推荐准确性,挖掘了T-APP消费数据特征,提出了基于重复购买行为的推荐算法;最后构建了基于数据分析的精准营销决策支持系统,并对营销效果进行了评价。本文主要研究成果如下:1.提出了基于改进RFM模型和K-means++算法的用户聚类模型。针对T-APP平台数据用户群体相对固定、消费商品相对单一化、重复购买性明显的特征,提出了基于改进RFM模型的用户特征提取方法。首先使用正反向标准化方法对指标进行规范化处理;之后利用熵值法分别计算五个指标的权重;最后针对K-means的缺点,利用K-means++算法分析用户价值,提高了用户细分的精准度。2.基于机器学习算法构建了用户复购行为的集成预测模型。通过挖掘消费者购买行为数据分布规律,使用SMOTE-ENN（Synthetic Minority Oversampling Technique）方法解决了样本不平衡问题,并取得了较好结果。使用TPE（Tree-structured Parzen Estimator）优化算法对RF（Random Forests）、XGBooste（Xtreme Gradient Boosting）、Light GBM（Light Gradient Boosting Machine）的参数进行寻优,避免了复杂的参数优化过程,使用软投票方法对表现较好的RF和Light GBM算法进行融合,结果表明,RF-Light GBM集成模型,与RF、Light GBM、LSTM、CNN-LSTM模型相比较,F1指标更好,模型预测精度更高。3.提出了基于用户重复购买行为的改进推荐算法。基于T-APP历史数据,挖掘出社区电商用户的重复购买行为,提出了一种基于重复购买行为的推荐算法。首先,采用数学建模方法将用户分为稳定兴趣的活跃用户、稳定兴趣的非活跃用户、不稳定兴趣的活跃用户和不稳定兴趣的非活跃用户四类。接着,针对四类用户分别提出活跃用户稳定兴趣的推荐算法,活跃用户不稳定兴趣的推荐算法,非活跃用户稳定兴趣的推荐算法和非活跃用户不稳定兴趣的推荐算法。最后,将改进推荐算法与CF（Collaboration Filtering）算法、SVD（Singular Value Decomposition）算法、SVD++（Singular Value Decomposition++）算法和NMF（Nonnegative Matrix Factorization）算法进行了比较,结果表明改进推荐算法在准确率、召回率和F综合指标上具有明显的优越性。4.构建了基于数据分析的决策支持系统。对T-APP电商平台的原始数据进行数据清洗和数据预处理,并在此基础上验证了SVD++、User＿CF（User-based Collaboration Filtering）和Item＿CF（Item-based Collaboration Filtering）三种推荐算法的适用性。通过算例分析验证了本文提出的改进推荐算法的适用性和优越性。5.基于AISAS（Attention-Interest-Search-Action-Share）改进模型对精准营销效果进行评价。在AISAS模型的基础上结合T-APP实际情况,重新划分用户行为阶段,构建指标体系。运用实际数据进行计算分析,验证了本文提出的评价模型的有效性。本文的主要贡献有以下三点:（1）提出了基于改进RFM模型的用户特征提取方法,利用K-means++算法分析用户价值,提高了用户细分的精准度。（2）建立了用户复购行为的集成预测模型,解决了样本不平衡和超参数优化问题,提高了用户复购行为预测的准确率。（3）引入时间奖惩因子和社区电商商品复购周期,提出了基于复购动态兴趣的推荐算法,并验证了推荐算法的有效性。
符升旗[2]（2021）在《基于深度神经网络的自动文本摘要研究》文中研究说明近年来,自动文本摘要已经成为了人工智能和自然语言处理领域的重要研究方向之一。自动文本摘要旨在提取出原始文本中的关键信息,并生成一段语义通顺且简洁准确的摘要,其目的是为了提高用户浏览信息的效率。随着深度学习的发展,当今的自动文本摘要模型主要基于序列到序列框架构建。然而,目前序列到序列框架在自动文本摘要中的应用也存在着诸多问题,例如集外词生成困难、无法有效地对单词之间的联系进行建模、缺乏对关键信息提取过程的建模等。针对这些问题,本文对基于序列到序列框架的自动文本摘要模型进行了改进,主要研究内容总结为以下两点:（1）提出了基于改进子词单元的生成式文本摘要方法。该方法通过改进的子词分割算法将一个完整的单词分割成不相交的子词单元并构建词汇表,这样不仅可以减小词汇表的规模,而且单词被分割为子词单元后,具有相同含义但形态不同的单词会体现更强的关联性,例如受单复数、时态等因素影响的单词。此外,由于集外词可以通过不同的子词单元组成,所以该算法也可以有效地缓解集外词难以生成的问题。我们在文本摘要数据集Gigaword、CNN/Daily Mail和XSum上进行了实验,实验结果验证了该方法能对单词之间的联系进行更好的建模并且能够缓解集外词难以生成的问题。（2）提出了基于分层信息过滤的生成式文本摘要方法。该方法使用动态路由算法基于编码器的输出动态地计算全局向量,然后使用全局向量指导分层信息过滤算法从两个层面对输入文本中的噪声进行过滤:词层面和语义层面。首先,我们使用全局向量和编码器的输出计算出输入文本中每个词的权重,根据权重来选择输入文本中的关键词。然后,我们使用双门单元对输入文本中的语义噪声进行过滤。具体来说,双门单元包含两个门:过滤门和补充门,过滤门对输入文本中的语义噪声进行初步的过滤,补充门将一部分原始信息添加到被过滤的文本表示当中形成最终的文本表示,这样可以避免输入文本中的信息被过度过滤的问题。我们在文本摘要数据集Gigaword和CNN/Daily Mail上进行了实验,实验结果验证了我们提出的方法在噪声过滤上的有效性。
周熙然[3]（2021）在《基于隐语义模型的推荐算法研究与应用》文中指出传统隐语义模型推荐算法仅仅使用用户历史评分和部分偏置项,没有充分挖掘到用户更深层次的潜在信息,从而导致推荐效率和用户满意度不高等问题。为了解决传统隐语义模型推荐算法存在的问题,首先对基于项目的协同过滤推荐算法进行研究,通过引入用户浏览信息的先后关系提升推荐精度;其次通过补充时间因素和用户浏览信息的先后关系等方式优化传统隐语义模型,进一步提升该模型的推荐性能;最后将改进后的算法进行融合,并将融合后的推荐结果应用到Web推荐中。主要研究工作为:（1）针对传统基于项目的协同过滤算法中存在的用户行为序列挖掘不充分等问题,提出基于项目正逆序的协同过滤推荐算法。考虑用户对项目的点击过程,引入用户对先后项目的点击顺序,以此来提高因为用户兴趣发生转移而导致的推荐精度下降的问题。（2）针对传统隐语义模型存在的用户潜在兴趣和交互信息稀疏问题,提出基于牛顿冷却定律的时间衰减函数与引入评分修正的隐语义模型推荐算法。通过修正用户浏览项目的顺序、增加偏置项以及引入基于牛顿冷却定律的时间衰减函数对隐语义模型进行了优化。（3）将提出的基于项目正逆序的协同过滤推荐算法、基于牛顿冷却定律的时间衰减函数与引入评分修正的隐语义模型推荐算法通过等权平均法、量纲化处理进行了算法融合,并将整合后的推荐结果应用到了基于Flask框架（MYSQL）的电影推荐中。对改进的基于项目的协同过滤推荐算法、改进的基于隐语义的推荐算法、以及两种算法改进后的融合算法在MovieLens数据集上做对比实验。结果表明,相比传统推荐算法、改进后的基于项目的推荐算法和改进后隐语义摸型推荐算法,提出的融合算法在一定程度上提升了推荐精度。
罗建岩[4]（2021）在《结合辅助信息变分自编码器的推荐算法研究》文中提出随着互联网应用和服务的快速发展和广泛应用,越来越多的互联网用户通过互联网搜索、了解和分享信息,互联网的信息量呈指数式增长。基于协同过滤的推荐算法使用用户对项目的评级信息来协同筛选用户可能感兴趣的项目,由于用户对项目评级信息的稀疏性,导致算法推荐精度不高。本文利用变分自编码器和项目的辅助信息对基于协同过滤的推荐方法进行改进。本文研究工作集中于以下三个方面:一、基于协同过滤的推荐算法采用浅层模型分析观测数据对数据特征地分析不够深入,本文通过结合深度学习方法与协同过滤推荐算法对观测数据做深层次的分析并挖掘其潜在的特征,提高推荐精度。二、传统的推荐算法由于数据稀疏导致推荐精度差,本文提出了一种基于变分自编码器的项目相似度推荐算法,使用条件变分自编码器模型从项目评分信息和标签信息中学习项目特征,利用提取的项目特征构建项目相似度矩阵并对项目评分进行预测。三、传统的推荐算法从评分信息中学习的项目特征,对项目辅助信息的利用不够充分,本文提出了一种结合辅助信息的变分自编码器协同过滤算法,利用变分自编码器学习项目辅助信息的特征,对概率矩阵分解的项目特征进行改进,提高推荐性能。
董淳[5]（2021）在《基于内容和协同过滤的混合算法的改进研究》文中认为用户对于信息的阅读具有一定的偏好,而且在实际的信息获取环节中,用户更希望能够从一个信息平台上获得自己感兴趣的一系列信息,这就需要平台能够分析用户的阅读行为、推测其阅读兴趣,之后再向其推荐相关的文本信息。一直以来,研究的比较多的推荐方法主要分为以下几类:基于内容的推荐算法、协同过滤推荐算法以及混合推荐算法。第一种基于内容的推荐方法,计算出来的结果的种类比较单一;第二种协同过滤推荐算法,对一些个性较强的用户给出的推荐结果不能令人满意,而且伴有很严重的冷启动问题;最后,混合推荐就是用一些方法将二者的优点进行融合,以期达成更好的效果,但是其对于冷启动问题的解决方案往往并不理想。本文在研究几种推荐算法的过程中,使用了新的方法对几种推荐算法进行了混合,提出了一种加入时间权的混合推荐算法——TCBCF算法。这种算法首先根据文本信息的特点,将协同过滤和基于内容的推荐算法进行了混合,并且兼顾了时间因素,最后针对计算用户之间的相似性的方法提出了一些改进意见。它比较有效的实现了信息推荐的多样性,同时规避了冷启动问题,为潜在用户兴趣模型的构建提供了算法基础。本文的实验,采用了Prescision和Recall作为评价指标,以基于内容、协同过滤和分区混合三种推荐方法为参照基准进行对比研究。利用对Precision/Recall曲线图的分析证明,在兴趣模型中引入时间加权因子可以提高信息推荐的有效性;根据行为相似度和内容相似度计算出的混合相似度为依据的算法的推荐效果要好于使用传统相似度的算法。最终得到的TCBCF算法要比传统的算法在预测有效性和稳定性上的表现更为优良。实验的结果表明,本方法产生的结果的P/R值普遍高于另外几种算法,在信息推荐系统当中应用本方法的实验效果较好,同时也能有效的规避冷启动问题,本方法预计在实际的使用中有良好的前景。
潘冠源[6]（2021）在《神经协同过滤模型的改进及其在推荐系统中的应用》文中研究指明随着信息技术的发展,人们能够获取的信息资源的方式越来越多,面对的信息资源日益丰富,“信息过载”问题日益凸显,导致人们在海量的信息资源面前难以选择自己想要的内容。为了解决上述问题,推荐系统应运而生。推荐系统是解决信息过载问题最为有效的方式之一,它主要根据用户对项目的显隐式反馈信息学习用户的偏好,为用户快速定位自身感兴趣的内容。推荐算法是推荐系统的核心,决定推荐性能的好坏。协同过滤算法是推荐领域使用最为广泛的算法,但该算法面临着数据稀疏、冷启动等问题。尽管基于矩阵分解的协同过滤很好地解决了协同过滤算法的数据稀疏问题,但是在用户与项目的向量的内积过程中存在不足,限制了该模型的表达能力。由于传统推荐算法的局限性,研究者们逐渐探索基于神经网络的协同过滤,神经协同过滤算法正是其中的研究成果之一。尽管神经协同过滤模型在性能上要优于传统的推荐模型,但是该模型在辅助信息的使用方面以及信息特征抽取方面存在不足。神经协同过滤模型使用用户与项目历史行为信息,生成嵌入特征,通过多层感知机模拟用户与项目的交互,解决了一些传统的推荐算法的不足。尽管在性能上有所提升,但是该算法使用的特征信息较为单一,只使用了用户与项目的交互信息,而没有使用其他的辅助信息。辅助信息如用户与项目的属性标签信息对提高模型个性化推荐性能以及缓解系统冷启动具有重要作用,若能将这些信息引入至神经协同过滤模型中,则可以使神经协同过滤模型的推荐性能更好、推荐可解释性更强。针对上述不足,本文将用户与项目的属性标签信息引入至神经协同过滤模型中,提出融合多种信息特征的神经协同过滤模型。通过研究发现,神经协同过滤模型融合多种信息特征之后会产生如下不足:模型的参数与收敛时间增加、模型无法很好地挖掘多种信息特征、模型对特征信息视为同等重要,消解部分有价值的信息。针对上述问题,本文对神经协同过滤模型做出进一步改进,提出融合异构信息网络嵌入特征与注意力机制的神经协同过滤模型AHINNCF。本文将用户与项目有效的属性信息统一转换为标签信息形式,通过构建用户与项目及其各自的属性标签信息的异构信息网络,使用基于元路径随机游走的网络表示学习算法metapath2vec进一步挖掘多种属性信息的特征,与神经协同过滤模型相融合,提升模型性能。并在模型中引入注意力机制网络,以解决模型对多种特征视为同等重要,导致有价值的特征信息被消解的问题。本文使用两个公开数据集Movie Lens-1M和Pinterest分别在一般场景、模拟冷启动场景以及收敛速度方面对该模型进行实验。实验结果表明,本文提出的模型AHINNCF要更加优越。在一般场景下,模型AHINNCF的性能平均提升2.5%。在模拟冷启动场景下,模型AHINNCF的性能提升3%-10%。在模型收敛速度方面,模型AHINNCF的收敛速度更快。综上所述,本文提出的模型AHINNCF要优于神经协同过滤模型。最后,本文结合改进的神经协同过滤模型与用户的实际需求设计并开发综合相关在线学习平台课程信息的推荐系统,以缓解因海量课程信息资源给学习者带来的信息过载等相关问题。
李耀宇[7]（2021）在《基于度量分解和深度学习的推荐系统的研究与应用》文中指出随着互联网信息技术的不断向前发展,人们所要面对和处理的数据信息也日益增多,大量且繁杂的信息阻挠了有效信息的传递,在互联网中找到自己感兴趣的内容宛如大海捞针。对于用户和商家而言,推荐系统可以有效地将物品和用户的信息关联在一起,从而实现高效的推送,创造价值。传统的协同过滤算法中所采用的矩阵分解方式在构建用户物品交互矩阵上存在一定的局限性,导致算法限制了矩阵分解的表现力。本文通过采用度量分解与深度学习相结合的方式构建推荐系统的离线算法模块,主要对不同种类的场景下的用户物品评论数据集进行数据处理。通过设计实验探究不同数据下该方案相对于传统算法在推荐指标上的提升,以及度量分解算法与深度学习推荐算法相结合的可能性。本文以Amazon评论数据为主要场景对推荐方案进行研究和实验,分别根据不同类型数据下用户和物品的关系以及对应的评论、评分等信息对数据进行处理和研究。本论文的工作如下:1.在推荐系统的离线算法模块构建过程中,许多经典的推荐算法采用了矩阵分解和度量空间学习的方式。在推荐过程中处理用户和物品之间的交互关系,但是这两种方法或多或少都存在一些缺陷。本文在以基于内容推荐的深度学习模型基础上,探讨和研究度量分解方式与基于内容推荐模型结合的可能性。2.使用度量分解的方式对基于内容大的推荐模型进行改进,提出了一种基于度量分解的深度学习推荐改进方案,解决了原有模型在矩阵分解在推荐过程中存在的局限性。3.在原有模型中损失函数中引入了置信机制进行修改和优化,通过该机制为不同数据分配不同的权重,从而可以通过调整参数在不同的数据集上获得相对较好的推荐效果。4.对数据进行相关处理,对用户和物品所具有的评论信息进行筛选,将评论信息通过过滤和分词后进行数字化和索引构建操作,为后续模型的处理和推荐平台的构建做准备。对Amazon评论数据集进行下载、收集和处理,为模型的实验和后续推荐展示平台的构建提供数据来源。5.推荐系统展示平台:设计并实现基于度量分解的推荐系统展示平台,通过推荐计算模块结合处理后的数据对用户与物品之间的评分进行训练和计算预测,将推荐结果通过前端界面展示给用户。最后,在Amazon Instant、Amazon automotive和Amazon Video Games三个用户物品评论数据集的推荐指标中改进模型都取得了提升,其中MSE指标相比较于其他推荐模型至少取得了2.1%、1.2%和5.4%的提升,证明了本文提出的改进方案的有效性。并且在Amazon Instant和Amazon Automotive两个评论数据上使用不同的置信值进行实验,通过MSE指标的变化证明了置信机制在评论数据上的有效性。
李亚坤[8]（2020）在《推荐系统中评分预测方法及关键技术的研究》文中研究表明推荐系统中的评分预测功能是指通过已知的用户历史评分记录来预测未知的用户评分值,它可以广泛应用在电子商务、旅游、社交等领域,具有非常可观的应用前景和研究价值。但是,现有的评分预测模型面临着缺少标注评分数据、长尾分布等问题,导致预测精度低下,难以满足推荐系统发展的需要。因此,提高评分预测性能、保障预测精度,是现今评分预测模型研究的当务之急。本文基于深度学习和机器学习技术,通过利用表示学习改进协同过滤、对全域项目特征进行鲁棒性预测、融合社交信任和稀疏编码器模型的预测以及利用评分知识的迁移实现跨域预测等方面进行了深入研究。首先,针对协同过滤算法面临的数据稀疏以及难以提取交互评分信息的问题,提出了基于实体共现深度表征学习的协同过滤评分预测方法以及融合全局化和局域化评分深度表征学习的协同过滤评分预测方法。基于自然语言处理中词共现原理,分别从实体共现和实体评分两个角度提取交互评分的语义信息;并通过对实体及评分共现矩阵的分解来表示其嵌入特征,最后利用最小二乘法建立神经网络训练模型,从而刻画和预测用户评分值。其次,针对现有评分预测方法自身的局部性缺陷以及弱鲁棒性问题,提出了一种基于鲁棒性约束的全域项目评分预测方法。数据样本中的异常点对评分预测性能有着重要的影响,该方法首先提出一种鲁棒性约束策略来剔除评分样本中的异常噪点,避免异常因子对预测结果带来的偏差性影响。根据项目间的差异化特征,提出项目差异权重和补偿系数来改进评分基准预测器,从而更好地学习项目特征和用户偏好,做出最终预测。再次,针对传统评分预测模型推荐方式单一以及预测准确率不高的问题,提出了一种基于社交信任嵌套和深度编码学习的评分预测方法。通过挖掘和提取用户社交信任邻居的评分信息,获取多源评分数据来刻画用户偏好,并将其融入和嵌套到矩阵分解模型中。基于获取到的多源评分数据,将正则化和稀疏化约束项添加到构建的深度稀疏编码模型中,进而实现评分预测结果。然后,针对评分预测系统内在的数据稀疏以及跨域预测系统存在的异质性问题,提出了一种基于部分重叠实体潜在特征迁移的跨域评分预测方法。该方法通过跨域矩阵分解来提取实体潜在特征,并利用对抗网络原理来对齐源域和目标域中的用户实体潜在特征。基于对齐后的用户特征,调整并对齐跨域间的项目特征。另外,设计了一种N步跨域随机游走算法,从而构建跨域用户关系图,并计算跨域用户相似度。依据获取到的相似度,提出了基于相似度约束的跨域评分预测模型。最后,为了评价本文提出的评分预测方法的性能,在Epinions和Movie Lens 25M数据集上进行多种评分预测模型的对比实验,并通过平均绝对误差、均方根误差、准确率、召回率以及收敛性等指标进行比较和分析。
郭栋[9]（2020）在《基于会话序列的推荐算法研究》文中研究表明会话（session）序列是指在用户的一次交互事务中所用项目的序列集合（如用户在一次购物过程中用户点击商品的历史记录）。会话序列作为推荐领域中特殊的数据形式,往往很难通过传统的推荐方法对会话序列数据进行建模。虽然有学者通过对传统推荐方法进行改进来解决会话序列建模的问题,但推荐系统的效果却被模型结构中存在的很多问题所限制。近年来,随着深度学习在图像识别、自然语言处理和语音识别等人工智能领域的突破性进展,将深度学习融入到推荐算法中,能帮助传统推荐算法有效解决多源异构信息、数据稀疏、冷启动、数据特征设计的人工依赖性等问题,也为解决基于会话序列的推荐问题带来了新的方法。考虑到在现实生活中推荐系统往往是基于用户短期的会话序列数据进行推荐的,而不是大量的用户历史记录。在这种情况下传统推荐方法的推荐结果往往不够准确,且推荐的结果往往存在滞后性和重复性。本文使用会话序列数据对推荐算法进行建模,并根据会话序列中数据的主要信息是由项目之间关联关系组成的特点,分别采用Apriori算法和循环神经网络对用户的会话序列数据进行建模,并通过实验对基于不同算法的会话序列推荐模型进行研究。本文的主要内容如下:（1）针对会话序列数据之间存在大量关联关系的特点,采用Apriori算法来实现会话序列的推荐。在使用Apriori算法进行建模的过程中,针对Apriori算法计算时间长、内存需求大的问题,建立辅助矩阵对基于压缩矩阵的Apriori算法进行改进,通过辅助矩阵减少计算支持度的时间和扫描范围来提升Apriori算法性能。并针对推荐算法需要对项目进行排序的问题,提出了计算项目权重的方法来对确定项目的优先级。最后通过实验分别对改进后Apriori算法运行速度和推荐效果的有效性进行了验证。（2）为了进一步提升推荐系统的推荐效果,充分利用用户在交互过程中会话序列之间的关联性信息,针对Apriori算法无法挖掘时序信息的问题,采用循环神经网络作为推荐模型来实现会话序列的推荐。在研究过程中,为了更好的模拟现实场景中会话序列的变化情况,在建模前根据会话序列长度差异大的特点对数据进行预处理,采用与以往研究不同的序列采样方法,将原始的单分类问题转化为序列建模问题,解决了已有研究中对序列信息利用不足、优先级不够明确和缺乏对时序信息的问题,并通过实验对改进算法的有效性进行验证。（3）针对用户项在交互的过程中充满随机性和偶然性的问题,在基于会话的循环神将网络推荐模型中加入了改进的注意力机制来学习用户在购物过程中的会话序列的变化情况,减少序列中因用户在购物过程中的偶然性和随机性对的推荐模型的干扰,进一步提高推荐模型的准确率。最后,通过使用真实数据进行对比实验对模型的有效性和优越性进行了验证,结果表明本文提到的推荐方法的比现有的基准水平的MRR@20指标高出了40%左右,Recall@20指标高出了25%左右。
邢瑞[10]（2020）在《基于神经图模型的试题推荐在线考试系统设计与研究》文中研究指明考试对于学生的整个学习过程来说是尤为重要的环节。然而,传统的纸质化考试在人工出题、试卷印刷、学生考试、人工阅卷和成绩统计等过程中,会产生大量的人力消耗和时间开销,而且试题选择固定或随机,缺乏学生个体针对性。针对传统纸质化考试存在的问题,本文设计开发了在线考试系统。目前,虽然在线考试系统已经应用非常普遍,但是这些系统往往忽略了学生个性化的学习需求。市面上存在的考试系统,主要以营利为目的,更加注重界面的美观设计和功能的扩展;而很多高校的考试系统,则是为了测评学生近期的学习情况,所以更加关注核心的线上考试功能,相对比较简单。在如今数据量巨大、信息过载的时代,推荐系统作为一种个性化的解决方案,已经广泛应用在各个领域;而个性化的学习方式才能更好地激发学生的学习兴趣,更针对性地帮助学生学习,提高成绩。为实现学生个性化的学习需求,并满足学校和平台的要求,本文实现的考试系统除了具备基本的自动组卷、阅卷功能外,还具有模拟试卷、知识点练习和错题重做等题目练习功能;同时将推荐算法引入所开发的考试系统中。本文主要聚焦于练习试题的推荐,在学生题目练习功能模块的知识点练习中设计了两种练习方式,分别为自主随机抽题练习和利用推荐算法推荐题目练习。针对题目推荐功能,本文研究了一种基于神经图模型的推荐算法,用于进行试题的推荐,可根据学生历史的错题记录,为学生推荐一些适合他们的易错题和知识点掌握不牢的题目。而实验也表明,本文研究的推荐算法相比其他类似的几种算法在推荐效果上有所提升。本文主要工作如下:（1）针对学校和平台的需求,开发了一款在线考试系统,并且就学生个性化的学习需求,对推荐系统领域的一些典型应用进行了学习和了解,并探索了基于内容推荐、基于模型推荐和协同过滤等经典的传统推荐算法的原理。（2）针对考试系统试题推荐练习的功能,进行了推荐算法研究。在神经图协同过滤算法（NGCF）的基础上进行了改进,提出一种基于深度学习和注意力机制（Attention）的推荐算法模型NGCF-Att。首先,在NGCF的交互层采用多层神经网络代替了内积;其次,在传播层的消息构建中引入了注意力机制。（3）使用Tensorflow实现推荐算法,并在可映射为本系统数据库格式的Amazon-book和Gowalla等公开数据集上进行实验来验证推荐算法的效果。
二、一种基于内容的信息过滤改进模型（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、一种基于内容的信息过滤改进模型（论文提纲范文）
（1）社区电商用户复购行为预测及推荐算法研究（论文提纲范文）
| 学位论文数据集 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 本文组织结构 |
| 1.4 研究方法 |
| 1.5 技术路线图 |
| 1.6 论文创新性 |
| 第二章 基本概念与文献综述 |
| 2.1 大数据营销相关理论及应用 |
| 2.1.1 大数据营销理论发展 |
| 2.1.2 大数据营销应用 |
| 2.2 用户细分和用户画像 |
| 2.2.1 用户细分 |
| 2.2.2 用户画像 |
| 2.3 用户购买行为预测和预测方法综述 |
| 2.3.1 用户行为分析 |
| 2.3.2 用户购买行为预测 |
| 2.3.3 预测方法 |
| 2.4 个性化推荐系统及推荐方法综述 |
| 2.4.1 个性化推荐系统综述 |
| 2.4.2 传统个性化推荐主流方法 |
| 2.4.3 改进的推荐算法 |
| 2.5 精准营销效果评价文献综述 |
| 2.5.1 营销效果评价指标体系的构建 |
| 2.5.2 精准营销效果影响因素的分析 |
| 2.5.3 社会化网络背景下精准营销效果评价的应用 |
| 2.6 本章小结 |
| 第三章 基于改进RFM模型的用户细分研究 |
| 3.1 引言 |
| 3.2 改进的RFM模型与K-means++聚类算法 |
| 3.2.1 RFM模型 |
| 3.2.2 改进RFM模型 |
| 3.2.3 K-means++聚类算法 |
| 3.3 数值实验 |
| 3.3.1 原始数据清洗及指标计算 |
| 3.3.2 指标赋权 |
| 3.3.3 K-means++聚类 |
| 3.3.4 用户价值排名及价值分析 |
| 3.3.5 实验结果验证 |
| 3.4 本章小结 |
| 第四章 基于机器学习算法的用户复购行为预测研究 |
| 4.1 引言 |
| 4.2 客户购买行为特征构建与样本均衡 |
| 4.2.1 用户行为特征提取 |
| 4.2.2 样本均衡 |
| 4.2.3 模型选择 |
| 4.2.4 TPE超参数优化方法 |
| 4.2.5 算法融合 |
| 4.3 数值实验 |
| 4.3.1 数据描述 |
| 4.3.2 评估指标 |
| 4.3.3 采样与数据集划分结果 |
| 4.3.4 结果与分析 |
| 4.4 本章小结 |
| 第五章 基于用户行为特征的T-APP推荐算法研究 |
| 5.1 问题描述 |
| 5.2 模型构建 |
| 5.2.1 符号定义 |
| 5.2.2 用户行为模型 |
| 5.2.3 改进协同过滤算法的模型构建 |
| 5.3 数值实验 |
| 5.3.1 数据的获取 |
| 5.3.2 改进推荐算法的评价指标 |
| 5.3.3 实验方法 |
| 5.3.4 参数的敏感性分析 |
| 5.4 本章小结 |
| 第六章 基于数据分析的精准营销决策支持系统构建 |
| 6.1 系统总体架构 |
| 6.1.1 背景简介 |
| 6.1.2 系统功能架构及开发环境 |
| 6.2 数据处理 |
| 6.2.1 数据采集 |
| 6.2.2 数据清洗 |
| 6.3 数据分析 |
| 6.4 用户画像和商品画像的构建与生成 |
| 6.5 群体画像的精准生成 |
| 6.5.1 数据的采集与处理 |
| 6.5.2 用户标签的生成 |
| 6.5.3 方法选择与实验 |
| 6.5.4 画像的结果展示 |
| 6.6 改进推荐算法适用性分析 |
| 6.6.1 现有算法适用性分析 |
| 6.6.2 针对活跃用户的改进推荐算法评价 |
| 6.6.3 针对非活跃用户的改进推荐算法评价 |
| 6.6.4 结果分析 |
| 6.7 本章小结 |
| 第七章 基于AISAS模型的精准营销效果评价 |
| 7.1 精准营销效果评价指标体系的构建 |
| 7.1.1 精准营销的效果评价指标体系构建的原则 |
| 7.1.2 精准营销效果评价模型的构建 |
| 7.1.3 精准营销效果评价指标体系的构建 |
| 7.2 指标权重的确定 |
| 7.2.1 确定指标权重的方法 |
| 7.2.2 各指标的权重 |
| 7.3 数据准备与数据处理 |
| 7.3.1 数据准备 |
| 7.3.2 数据标准化处理 |
| 7.4 精准营销效果计算 |
| 7.5 精准营销效果验证 |
| 7.6 本章小结 |
| 第八章 结论与展望 |
| 8.1 研究结论 |
| 8.2 研究展望 |
| 参考文献 |
| 附录 |
| 附录 1.K-means++聚类算法核心代码 |
| 附录 2.复购行为预测核心代码 |
| 附录 3.改进推荐算法核心代码 |
| 附录 4.T-APP大数据精准营销效果专家咨询表 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者及导师简介 |
| 答辩委员会决议书 |
（2）基于深度神经网络的自动文本摘要研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 自动文本摘要问题的形式化描述 |
| 1.3 研究现状 |
| 1.3.1 抽取式文本摘要 |
| 1.3.2 生成式文本摘要 |
| 1.4 文本摘要问题面临的挑战 |
| 1.5 本文主要研究内容及贡献 |
| 1.6 本文组织结构 |
| 第2章 基于改进子词单元的生成式文本摘要方法 |
| 2.1 引言 |
| 2.2 相关研究工作 |
| 2.2.1 细粒度文本表示 |
| 2.2.2 指针网络 |
| 2.3 基于子词单元的序列到序列文摘模型 |
| 2.3.1 编码器-解码器框架 |
| 2.3.2 文本的子词单元表示 |
| 2.4 实验 |
| 2.4.1 数据集 |
| 2.4.2 实验设置 |
| 2.4.3 训练目标 |
| 2.4.4 文本摘要评价指标 |
| 2.4.5 对比模型 |
| 2.4.6 实验结果及分析 |
| 2.5 本章小结 |
| 第3章 基于分层信息过滤的生成式文本摘要方法 |
| 3.1 引言 |
| 3.2 相关研究工作 |
| 3.2.1 文本摘要中的噪声过滤方法 |
| 3.2.2 胶囊网络中的动态路由机制 |
| 3.2.3 预训练模型 |
| 3.3 基于分层信息过滤的序列到序列文摘模型 |
| 3.3.1 编码器和解码器 |
| 3.3.2 基于动态路由的分层信息过滤层 |
| 3.3.3 训练目标 |
| 3.4 实验 |
| 3.4.1 数据集 |
| 3.4.2 实验设置 |
| 3.4.3 对比模型 |
| 3.4.4 实验结果及分析 |
| 3.5 本章小结 |
| 第4章 总结与展望 |
| 4.1 主要工作与成果 |
| 4.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（3）基于隐语义模型的推荐算法研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 论文研究的背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文组织结构 |
| 1.4 主要工作及研究内容 |
| 2 推荐系统理论与方法 |
| 2.1 个性化推荐系统 |
| 2.2 推荐算法主要分类 |
| 2.2.1 基于内容的推荐 |
| 2.2.2 基于协同过滤的推荐 |
| 2.2.3 基于混合模型的推荐 |
| 2.3 推荐算法性能评估指标 |
| 2.3.1 评分预测 |
| 2.3.2 Top-N推荐 |
| 2.4 小结 |
| 3 引入项目正逆序的推荐策略 |
| 3.1 协同过滤算法 |
| 3.1.1 基于项目的协同过滤推荐算法 |
| 3.1.2 正逆序推荐的逻辑含义 |
| 3.1.3 正逆序在项目协同过滤推荐中的体现 |
| 3.2 引入项目正逆序的推荐策略 |
| 3.2.1 正逆序的定义 |
| 3.2.2 引入项目正逆序的推荐策略 |
| 3.3 实验与结果分析 |
| 3.3.1 实验环境与数据 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验结果分析 |
| 3.4 小结 |
| 4 基于改进的隐语义模型推荐算法 |
| 4.1 隐语义模型概述 |
| 4.2 隐语义模型的改进 |
| 4.2.1 基于牛顿冷却定律的时间衰减函数 |
| 4.2.2 引入正逆序的评分修正 |
| 4.2.3 引入时间衰减的评分修正 |
| 4.2.4 基于牛顿冷却定律的时间衰减函数与引入评分修正的隐语义模型 |
| 4.3 实验与结果分析 |
| 4.3.1 实验环境与数据 |
| 4.3.2 实验评价指标 |
| 4.3.3 实验结果分析 |
| 4.4 小结 |
| 5 融合模型的推荐算法研究与应用 |
| 5.1 融合方案介绍 |
| 5.1.1 融合推荐算法的需求 |
| 5.1.2 常见的多模型融合算法 |
| 5.1.3 本文融合方案 |
| 5.2 实验与结果分析 |
| 5.2.1 实验环境与数据 |
| 5.2.2 实验评价指标 |
| 5.2.3 实验结果分析 |
| 5.3 融合算法的Flask电影推荐实现 |
| 5.3.1 Flask简介 |
| 5.3.2 Flask组成部分 |
| 5.3.3 Flask运行流程概述 |
| 5.3.4 Flask推荐界面 |
| 5.4 小结 |
| 6 总结与展望 |
| 6.1 主要工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（4）结合辅助信息变分自编码器的推荐算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的组织结构 |
| 2 推荐系统的相关理论和算法 |
| 2.1 推荐系统简介 |
| 2.2 传统的推荐算法 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 基于协同过滤的推荐算法 |
| 2.2.3 混合的推荐算法 |
| 2.3 深度学习模型 |
| 2.3.1 深度神经网络 |
| 2.3.2 自编码器 |
| 2.3.3 变分自编码器 |
| 2.4 深度学习推荐算法 |
| 3 基于变分自编码器的项目相似度推荐算法 |
| 3.1 基于条件变分自编码器的推荐算法 |
| 3.1.1 基于条件变分自编码器的推荐算法 |
| 3.1.2 条件变分自编码器 |
| 3.1.3 基于条件变分自编码器的相似度计算 |
| 3.2 实验与结果分析 |
| 3.2.1 实验数据集介绍 |
| 3.2.2 参数及评价指标的选取 |
| 3.2.3 实验结果分析 |
| 3.3 本章总结 |
| 4 结合辅助信息的变分自编码器协同过滤算法 |
| 4.1 结合辅助信息的变分自编码器协同过滤算法 |
| 4.1.1 结合辅助信息的变分自编码器协同过滤算法 |
| 4.1.2 概率矩阵分解 |
| 4.1.3 结合辅助信息的概率矩阵分解 |
| 4.2 实验及结果分析 |
| 4.2.1 实验数据集 |
| 4.2.2 评价指标 |
| 4.2.3 实验参数介绍 |
| 4.2.4 实验结果分析 |
| 4.3 本章总结 |
| 5 总结与展望 |
| 5.1 文章总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在读期间取得成果 |
| 论文发表情况 |
| 参与科研课题 |
| 获奖情况 |
| 致谢 |
（5）基于内容和协同过滤的混合算法的改进研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织结构 |
| 第2章 文本信息推荐的相关技术 |
| 2.1 文本信息推荐的一般流程 |
| 2.2 协同过滤推荐 |
| 2.3 基于内容的推荐 |
| 2.4 混合推荐 |
| 2.5 现有技术存在的问题 |
| 2.5.1 协同过滤推荐的问题 |
| 2.5.2 内容推荐的问题 |
| 2.5.3 混合推荐的问题 |
| 2.6 新推荐算法的提出 |
| 2.7 本章小结 |
| 第3章 基于时间权重的推荐算法设计 |
| 3.1 基于内容的推荐算法 |
| 3.1.1 文本预处理 |
| 3.1.2 特征表示 |
| 3.1.3 构建模型 |
| 3.2 基于时间权重的模型构建 |
| 3.2.1 基于时间权重的模型框架 |
| 3.2.2 时间权重计算 |
| 3.2.3 用户相似度计算 |
| 3.3 本章小结 |
| 第4章 基于用户兴趣的推荐算法设计 |
| 4.1 协同过滤推荐算法 |
| 4.1.1 行为矩阵 |
| 4.1.2 相似性计算 |
| 4.1.3 用户对候选信息的兴趣度 |
| 4.1.4 结果生成 |
| 4.2 混合相似度 |
| 4.3 构建兴趣模型 |
| 4.3.1 用户的兴趣模型 |
| 4.3.2 兴趣模型中特征提取的优势 |
| 4.4 本章小结 |
| 第5章 TCBCF算法的实验 |
| 5.1 实验数据和评价指标 |
| 5.1.1 实验数据 |
| 5.1.2 评价指标 |
| 5.2 结果分析 |
| 5.2.1 实验方法 |
| 5.2.2 时间因子效果的验证 |
| 5.2.3 混合相似度的验证 |
| 5.2.4 实验总体情况 |
| 5.3 本章小结 |
| 5.3.1 算法的优势 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 附录 |
| 附录1 协同过滤推荐算法的代码 |
| 附录2 LSA的运算代码 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文和其它科研情况 |
（6）神经协同过滤模型的改进及其在推荐系统中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 个性化推荐研究现状 |
| 1.2.2 在线学习推荐系统的研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关理论概述 |
| 2.1 推荐算法相关理论 |
| 2.1.1 基于协同过滤推荐算法 |
| 2.1.2 基于内容推荐算法 |
| 2.1.3 基于混合推荐算法 |
| 2.2 深度学习相关技术 |
| 2.2.1 多层感知机 |
| 2.2.2 注意力机制 |
| 2.2.3 Word2Vec |
| 2.3 网络表示学习 |
| 2.4 本章小结 |
| 第三章 神经协同过滤改进模型的研究 |
| 3.1 神经协同过滤 |
| 3.1.1 内积的局限性 |
| 3.1.2 神经协同过滤框架 |
| 3.2 异构信息网络表示学习 |
| 3.2.1 异构信息网络的定义与构建 |
| 3.2.2 元路径随机游走及语义分析 |
| 3.2.3 节点表示学习 |
| 3.3 融合异构信息网络嵌入特征与注意力机制的神经协同过滤 |
| 3.3.1 注意力机制 |
| 3.3.2 模型结构 |
| 3.3.3 模型训练 |
| 3.4 本章小结 |
| 第四章 实验与评估 |
| 4.1 实验环境与数据集 |
| 4.1.1 实验环境 |
| 4.1.2 实验数据 |
| 4.2 评价指标与实验细节 |
| 4.2.1 评价指标 |
| 4.2.2 实验细节 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于改进神经协同过滤的课程信息推荐系统 |
| 5.1 系统目标与架构 |
| 5.1.1 系统目标 |
| 5.1.2 系统架构 |
| 5.2 个性化课程推荐系统设计 |
| 5.2.1 系统模块设计 |
| 5.2.2 数据库的设计 |
| 5.2.3 系统推荐流程设计 |
| 5.3 系统主要模块设计与实现 |
| 5.3.1 课程推荐功能模块设计与实现 |
| 5.3.2 课程搜索功能模块设计与实现 |
| 5.3.3 数据爬虫功能模块设计与实现 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（7）基于度量分解和深度学习的推荐系统的研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构安排 |
| 第二章 相关原理与技术 |
| 2.1 推荐系统算法 |
| 2.1.1 协同过滤算法 |
| 2.1.2 矩阵分解算法 |
| 2.1.3 因子分解机FM |
| 2.1.4 度量分解 |
| 2.2 深度学习相关内容 |
| 2.2.1 注意力机制 |
| 2.2.2 基于多指针协同注意力网络的推荐模型 |
| 2.3 本章小结 |
| 第三章 基于度量分解的深度学习推荐方案 |
| 3.1 问题和整体流程结构 |
| 3.2 基于评论推荐流程 |
| 3.3 基于度量分解的co-attention评论交互构建 |
| 3.4 模型介绍 |
| 3.5 实验内容介绍和相关准备工作 |
| 3.5.1 数据集 |
| 3.5.2 数据预处理 |
| 3.5.3 评价指标 |
| 3.5.4 实验环境 |
| 3.6 实验结果分析 |
| 3.6.1 置信值对模型效果的影响 |
| 3.6.2 潜在维度对模型推荐的影响 |
| 3.6.3 超参数设置 |
| 3.6.4 基于度量分解改进方案与现有模型的比较 |
| 3.7 本章小结 |
| 第四章 基于度量分解和深度学习的推荐系统展示平台需求分析 |
| 4.1 平台需求概述 |
| 4.2 功能性需求 |
| 4.2.1 登录注册 |
| 4.2.2 数据处理 |
| 4.2.3 数据存储和传输 |
| 4.2.4 推荐计算和结果展示 |
| 4.2.5 平台应用服务 |
| 4.3 非功能性需求 |
| 4.4 本章小结 |
| 第五章 基于度量分解和深度学习的推荐系统展示平台设计 |
| 5.1 系统概要设计 |
| 5.1.1 平台总体架构 |
| 5.1.2 系统业务分层设计 |
| 5.1.3 平台系统功能模块结构和流程设计 |
| 5.2 平台功能详细设计 |
| 5.2.1 用户注册和登录 |
| 5.2.2 数据处理 |
| 5.2.3 推荐计算模块 |
| 5.2.4 界面信息交互模块 |
| 5.2.5 数据存储和传输模块 |
| 5.2.6 平台管理模块 |
| 5.3 数据库相关设计 |
| 5.3.1 数据库选择 |
| 5.3.2 数据库结构 |
| 5.4 本章小结 |
| 第六章 推荐平台功能测试和界面展示 |
| 6.1 测试环境 |
| 6.2 平台功能测试 |
| 6.2.1 用户登录功能测试 |
| 6.2.2 用户注册功能测试 |
| 6.2.3 数据处理模块测试 |
| 6.2.4 数据传输功能测试 |
| 6.2.5 推荐API测试 |
| 6.2.6 推荐计算模块测试 |
| 6.3 平台界面展示 |
| 6.3.1 物品推荐效果展示 |
| 6.3.2 物品评价界面展示 |
| 6.4 本章小结 |
| 第七章 总结和展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士研究生期间取得的成果 |
（8）推荐系统中评分预测方法及关键技术的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究现状及问题 |
| 1.2.1 评分预测系统模型 |
| 1.2.2 评分预测研究方法 |
| 1.2.3 目前存在的主要问题 |
| 1.3 研究的主要内容 |
| 1.4 论文的组织结构 |
| 第2章 基于深度表征学习的协同过滤评分预测 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.3 基于实体共现表征学习的协同过滤评分预测 |
| 2.3.1 实体共现表征学习 |
| 2.3.2 评分协同预测算法 |
| 2.4 基于用户评分表征学习的协同过滤评分预测 |
| 2.4.1 全局化和局域化评分预测融合模型 |
| 2.4.2 评分共现表征学习和协同预测算法 |
| 2.5 本章小结 |
| 第3章 基于鲁棒性约束的全域项目评分预测 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.3 基于鲁棒性约束的全域项目评分预测框架 |
| 3.4 基于鲁棒性约束的全域项目评分预测算法 |
| 3.4.1 数据的鲁棒性约束 |
| 3.4.2 项目全域特征提取 |
| 3.4.3 模型的构建和预测 |
| 3.5 本章小结 |
| 第4章 基于社交信任嵌套和深度编码学习的评分预测 |
| 4.1 引言 |
| 4.2 背景模型 |
| 4.2.1 矩阵分解模型 |
| 4.2.2 深度自编码器 |
| 4.3 基于社交信任嵌套和深度编码学习的评分预测框架 |
| 4.4 基于社交信任嵌套和深度编码学习的评分预测算法 |
| 4.4.1 用户社交信任嵌套 |
| 4.4.2 构建深度编码模型 |
| 4.4.3 用户评分预测算法 |
| 4.5 本章小结 |
| 第5章 基于部分重叠实体潜在特征迁移的跨域评分预测 |
| 5.1 引言 |
| 5.2 预备知识 |
| 5.3 基于部分重叠实体潜在特征迁移的跨域评分预测框架 |
| 5.4 基于部分重叠实体潜在特征迁移的跨域评分预测算法 |
| 5.4.1 对齐用户实体特征 |
| 5.4.2 调整项目实体特征 |
| 5.4.3 跨域用户相似度计算 |
| 5.4.4 模型建立和跨域预测 |
| 5.5 本章小结 |
| 第6章 实验与评价 |
| 6.1 实验数据和评价指标 |
| 6.2 实验设置和对比方法 |
| 6.3 基于深度表征学习的协同过滤评分预测算法性能评价 |
| 6.3.1 评分预测精度对比实验的结果和分析 |
| 6.3.2 预测的准确率和召回率结果及其分析 |
| 6.3.3 模型的学习率对性能的影响及其分析 |
| 6.4 基于鲁棒性约束的全域项目评分预测算法性能评价 |
| 6.4.1 评分预测精度的实验结果 |
| 6.4.2 Top-N预测的结果和分析 |
| 6.4.3 评分预测可视化对比结果 |
| 6.4.4 对比模型的收敛性及分析 |
| 6.5 基于社交信任嵌套和深度编码学习的评分预测算法性能评价 |
| 6.5.1 参数敏感性的实验结果和分析 |
| 6.5.2 预测精度的实验结果及其分析 |
| 6.5.3 Top-N预测任务的结果和分析 |
| 6.5.4 对比模型的收敛性分析 |
| 6.6 基于部分重叠实体潜在特征迁移的跨域评分预测算法性能评价 |
| 6.6.1 参数敏感性的实验结果和分析 |
| 6.6.2 评分预测精度实验结果和分析 |
| 6.6.3 Top-N预测任务的结果和分析 |
| 6.6.4 模型的运行时间对比及其分析 |
| 6.7 本文所提算法之间的比较 |
| 6.7.1 算法之间的联系 |
| 6.7.2 算法之间的对比 |
| 6.7.3 算法的适用场景 |
| 6.8 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间承担的科研任务与主要成果 |
| 致谢 |
（9）基于会话序列的推荐算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的推荐模型 |
| 1.2.2 基于深度学习的推荐模型 |
| 1.2.3 .基于会话的推荐方法 |
| 1.2.4 推荐算法评述 |
| 1.3 研究思路和主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 基于会话序列的Apriori推荐算法 |
| 2.1 引言 |
| 2.2 Apriori算法 |
| 2.3 基于Apriori的推荐算法研究 |
| 2.3.1 Apriori算法的权重挖掘 |
| 2.3.2 基于压缩矩阵的Apriori算法 |
| 2.4 使用改进的Apriori算法进行推荐 |
| 2.4.1 实验数据 |
| 2.4.2 实验设置 |
| 2.4.3 实验结果评价指标 |
| 2.4.4 实验结果及分析 |
| 2.5 本章小结 |
| 第三章 基于会话序列的RNN推荐算法研究 |
| 3.1 引言 |
| 3.2 深度学习 |
| 3.2.1 监督学习 |
| 3.2.2 梯度下降 |
| 3.2.3 反向传播 |
| 3.2.4 神经元 |
| 3.2.5 循环神经网络 |
| 3.3 数据描述 |
| 3.4 数据可视化分析 |
| 3.5 数据预处理 |
| 3.6 基于序列的推荐模型 |
| 3.7实验 |
| 3.7.1 实验设计 |
| 3.7.2 实验模型 |
| 3.7.3 预测方法 |
| 3.7.4 实验结果的评价方法 |
| 3.7.5 参数设置及结构优化 |
| 3.7.6 实验结果及分析 |
| 3.8 本章小结 |
| 第四章 基于注意力机制的会话序列推荐模型 |
| 4.1 引言 |
| 4.2 注意力机制 |
| 4.3 改进的注意力机制模型 |
| 4.4 基于注意力机制的序列推荐模型 |
| 4.5实验 |
| 4.5.1 实验设计 |
| 4.5.2 参数设置及结构优化 |
| 4.6 试验结果及分析 |
| (1)实验结果 |
| (2)实验结果分析 |
| 4.7 冷启动问题 |
| 4.7.1 冷启动问题的定义 |
| 4.7.2 传统推荐方法中解决冷启动问题的方法 |
| 4.7.3 基于会话序列的推荐模型解决冷启动问题的方法 |
| 4.8 本章小结 |
| 第五章 全文总结和展望 |
| 5.1 全文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
（10）基于神经图模型的试题推荐在线考试系统设计与研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 在线考试系统研究现状 |
| 1.2.2 推荐系统研究现状 |
| 1.3 研究内容和方法 |
| 1.4 论文结构安排 |
| 第2章 相关理论和技术 |
| 2.1 推荐系统 |
| 2.2 经典推荐算法 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 基于协同过滤的推荐算法 |
| 2.2.3 混合推荐算法 |
| 2.2.4 基于深度学习的推荐算法 |
| 2.3 推荐算法常用评测指标 |
| 2.3.1 评分预测 |
| 2.3.2 TopN推荐 |
| 2.4 相似度计算方法 |
| 2.5 系统开发框架 |
| 2.5.1 前端框架Dojo |
| 2.5.2 后端框架SSH |
| 2.6 本章小结 |
| 第3章 神经图模型试题推荐算法研究 |
| 3.1 神经图协同过滤算法 |
| 3.1.1 高阶连通性的概念 |
| 3.1.2 神经图协同过滤模型 |
| 3.2 神经图协同过滤算法改进 |
| 3.2.1 传播层改进 |
| 3.2.2 预测层改进 |
| 3.2.3 NGCF-Att模型 |
| 3.3 本章小结 |
| 第4章 实验验证及结果分析 |
| 4.1 实验环境与数据集 |
| 4.1.1 实验环境 |
| 4.1.2 实验数据集 |
| 4.2 模型训练 |
| 4.3 评估指标及超参数设置 |
| 4.3.1 评估指标 |
| 4.3.2 超参数设置 |
| 4.4 结果对比分析 |
| 4.5 本章小结 |
| 第5章 试题推荐考试系统的设计与实现 |
| 5.1 系统需求分析和开发环境 |
| 5.1.1 开发环境介绍 |
| 5.1.2 功能需求分析 |
| 5.1.3 系统可行性分析 |
| 5.2 系统概要设计 |
| 5.2.1 系统分层结构 |
| 5.2.2 系统功能设计 |
| 5.2.3 数据库设计 |
| 5.3 系统详细功能的设计与实现 |
| 5.3.1 课程负责人端的功能实现 |
| 5.3.2 教师端的功能实现 |
| 5.3.3 学生端的功能实现 |
| 5.4 系统测试 |
| 5.4.1 测试目的及概述 |
| 5.4.2 系统功能模块测试 |
| 5.5 推荐算法应用 |
| 5.5.1 学生知识点练习推荐练习功能分析 |
| 5.5.2 推荐算法应用可行性 |
| 5.5.3 冷启动问题的解决 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来研究展望 |
| 参考文献 |
| 作者简介及科研成果 |
| 致谢 |
四、一种基于内容的信息过滤改进模型（论文参考文献）
- [1]社区电商用户复购行为预测及推荐算法研究[D]. 石力. 北京化工大学, 2021(02)
- [2]基于深度神经网络的自动文本摘要研究[D]. 符升旗. 中国科学技术大学, 2021(08)
- [3]基于隐语义模型的推荐算法研究与应用[D]. 周熙然. 西安科技大学, 2021(02)
- [4]结合辅助信息变分自编码器的推荐算法研究[D]. 罗建岩. 渤海大学, 2021
- [5]基于内容和协同过滤的混合算法的改进研究[D]. 董淳. 山西财经大学, 2021(09)
- [6]神经协同过滤模型的改进及其在推荐系统中的应用[D]. 潘冠源. 吉林大学, 2021(01)
- [7]基于度量分解和深度学习的推荐系统的研究与应用[D]. 李耀宇. 电子科技大学, 2021(01)
- [8]推荐系统中评分预测方法及关键技术的研究[D]. 李亚坤. 燕山大学, 2020(07)
- [9]基于会话序列的推荐算法研究[D]. 郭栋. 北京建筑大学, 2020(08)
- [10]基于神经图模型的试题推荐在线考试系统设计与研究[D]. 邢瑞. 吉林大学, 2020(01)