导读:本文包含了规则过滤论文开题报告文献综述、选题提纲参考文献，主要关键词:规则,数据,兴趣,相似性,活体,系统,差异性。
规则过滤论文文献综述写法
周鹏程,何震瀛,荆一楠,王晓阳[1]（2019）在《查找差异数据子集的过滤规则建模方法》一文中研究指出大数据分析和应用得到了各个行业的关注,人们试图从大量数据中发现蕴含的模式和规律,进而产生更多的价值,数据过滤作为数据分析过程中常用手段所起到的作用是无可替代的。基于方便用户快速筛选数据并找到差异性的数据子集的实际需求~([1]),需要分析与挖掘数据项之间联系,对数据过滤规则进行建模,以帮助用户快速定位到差异性的数据子集。在本篇论文中创新性地提出一种查找差异数据子集的过滤规则建模方法。该方法的目的是解决如何在数据分析中应用数据过滤规则建立分析过滤模型,然后利用模型分析过滤得到差异性的数据子集,最后利用模型完成结果集的自动可视化。利用该建模方法建立的数据分析系统能在真实数据集中快速找到差异性数据子集,并且自动完成对结果子集的可视化展示,展现了建模方法的实用性和高效性。(本文来源于《软件工程》期刊2019年11期）
黄叶珏[2]（2019）在《一种基于规则过滤的红外人脸活体检测方法》一文中研究指出由于人脸图像和视频很容易得到,活体成为人脸识别大规模应用的障碍。提出一种基于规则过滤的红外人脸活体检测方法,基于红外成像的机理,可以高效地防止照片、视频重放和人脸动作编辑等攻击。(本文来源于《现代计算机》期刊2019年23期）
王斯锋,朱玉佳,祝永志[3]（2019）在《使用隐式数据中的聚类和关联规则挖掘提高协同过滤建议的准确性》一文中研究指出推荐系统在互联网技术快速发展的今天变得越来越重要,因为它能为用户做出最适当的选择。协作过滤(CF)是推荐系统设计中应用最成功和最广泛的技术,能根据用户的过去评级记录,推荐活跃用户的项目。不过,与用户项目矩阵中的大量用户和项目相比,用户对项目的评级非常稀疏,CF可能会导致不佳的建议。它将用户的隐式交互记录与项目相结合,通过采用关联规则来挖掘处理大量数据,可以捕获每个交易的多个采购关联规则,而不仅仅是计算总的采购量,并通过实施修改了的预处理,在基于多次购买完成的用户之间发现类似的兴趣模式。另外,随着关联规则挖掘的表现,聚类技术已被用于减少数据的大小和项目空间的维度,然后,计算出基于其特征的项目之间的相似性,以提出建议并进行实验。结果表明,在Precision和Recall指标两个方面,即使数据非常稀疏,这种技术也能达到很好的性能。(本文来源于《通信技术》期刊2019年05期）
何思越[4]（2019）在《关联规则与协同过滤在汽车电子商务中的应用》一文中研究指出伴随着当前互联网等信息技术的不断发展,电子商务这一种全新的信息化服务方式也越来越受到民众们的喜爱,根据不同的服务对象和用户习惯、个性等的分析,准确的来为用户提供他们感兴趣的服务,在当前电子商务满足用户个性化服务的同时,也不断的在这样的基础上提升的企业自身的竞争能力,从而得到了非常好的关注。(本文来源于《营销界》期刊2019年17期）
张小川,周泽红,向南,桑瑞婷[5]（2019）在《基于关联规则的协同过滤改进算法》一文中研究指出针对传统协同过滤算法过分依赖用户历史评分数据及评分数据存在严重稀疏性问题的情况,提出一种基于关联规则的协同过滤改进算法。该算法设置相似度阈值,计算近邻用户与目标用户之间的相似度,选取相似度最高的近邻用户组成邻居集,若邻居集中的所有近邻用户与目标用户的相似度都高于阈值则按照传统协同过滤进行评分预测,否则引入关联规则的算法对目标用户进行评分预测。首先,对利用Apriori算法输出的关联规则进行拆分,得到一对一、多对一两种形式的规则;其次,基于支持度和置信度构建推荐度计算方法;再次,形成引入关联规则的算法;最后,根据阈值选择相应的算法进行评分预测,将评分高的项目推荐给用户。实验结果表明:所提出的算法与传统协同过滤算法、基于用户平均值填充的协同过滤算法相比,在MAE、RMSE上都有明显下降,可以在一定程度上提高推荐质量。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年03期）
周蕊[6]（2019）在《基于信任机制的协同过滤和关联规则混合推荐模式研究》一文中研究指出随着互联网技术的日益发展,社交网络、电子商务、各种应用蓬勃发展,但是海量数据信息在满足用户需求的同时也造成了信息过载问题,迅速找到有效且合理的信息越来越困难,个性化推荐技术作为解决信息过载问题的手段之一,能够根据众多的历史交互行为分析用户的兴趣偏好,向用户提供其可能感兴趣的信息,辅助用户决策。协同过滤技术作为使用最成功和最广泛的推荐技术之一,至今仍面临着数据稀疏性和冷启动等问题。社交网络的发展给推荐技术带来新的方向,将社交网络中好友关系引入传统协同过滤方法中,通过信任机制进行衡量,能够有效改善数据稀疏性等问题,提高推荐精度,成为目前研究推荐技术的重要方向之一。本文以改进协同过滤技术为目标,致力于改善数据稀疏性、冷启动等问题,提高推荐系统的推荐精度。首先将社交网络中的“信任机制”,即“用户信任的好友能够给用户带来一个正向的推荐结果,是经过对交互历史的考虑之后判断可能会产生的一种有利结果”引入到协同过滤技术中,在用户-项目评分矩阵和用户间的信任矩阵的基础上,充分计算用户间的间接信任度以填充信任矩阵,最后基于用户相似度和信任度的叁种预测方式的比较提出一种基于信任机制的协同过滤推荐模式。为了进一步优化这种方法,先后融合用户兴趣偏好和关联规则算法,前者通过用户间的兴趣相似性对目标用户的好友进一步过滤,后者挖掘项目间的潜在相关性,与协同过滤进行混合推荐,解决新用户推荐问题。此外,本文提出的推荐模式均在FilmTrust网站公开数据集上进行准确性等实验研究,结果表明此方法能够有效改善冷启动问题,提高推荐精度。最后分析了研究模型的不足之处和未来继续改进的方向。(本文来源于《杭州电子科技大学》期刊2019-03-13）
包志强,宋静霞[7]（2019）在《结合关联规则填充的协同过滤改进算法》一文中研究指出为了改善传统个性化推荐中协同过滤算法存在的诸如用户和项目评分矩阵稀疏、推荐准确度不高、冷启动等问题,提出一种结合关联规则填充对协同过滤推荐算法进行改进的方法。这种算法是在协同过滤算法的第一步前加入通过关联规则得到的结果,预测一些没有评分值的项目,将新得到的数据填充到原用户-项目评分矩阵中,降低评分矩阵的稀疏性,从而提供更多数据的相似性计算,在此基础上再结合基于传统项目的协同过滤算法对用户进行推荐。通过MovieLens数据集进行实验对比,结果显示文中提出的算法与传统算法相比,推荐系统的准确性和有效性显着提高。(本文来源于《现代电子技术》期刊2019年03期）
徐静,杜岗,安刚[8]（2018）在《融合关联规则及情感分析的音乐协同过滤推荐》一文中研究指出随着音乐资源的不断增长,如何为用户推荐贴合需求的音乐成为研究的热点。本文提出将关联规则及情感分析加入音乐协同过滤个性化推荐系统中,构建了一个混合推荐模型,并描述了该模型的结构,给出了个性化推荐的推荐过程及推荐算法描述,并对推荐算法进行了验证,取得了良好的推荐效果。(本文来源于《连云港职业技术学院学报》期刊2018年04期）
韩志俊[9]（2018）在《基于关联规则优化的协同过滤混合推荐算法研究》一文中研究指出推荐算法时推荐系统中最为关键的部分,推荐算法的稳定性和效率可以在很大程度上决定推荐系统推荐结果的准确性。本文中我们以项目为基础,提出了一种协同过滤算法,并给出了用户评分矩阵的预测值,而且对余弦相似度计算方法进行了改进。在传统的协同过滤推荐算法中,常常会遇到数据稀疏性的困难,而我们提出的推荐算法成功的解决了这个难题,从而提高了评分矩阵预测值的准确性。选取合适的置信度与支持度阈值是关联规则推荐算法中的核心问题,所以在本文中我们使用了粒子群智能优化算法来解决这个核心问题,以提高推荐准确性。通过查阅文献我们得知基于用户协同的过滤推荐算有优点也有缺点,而基于关联规则的Apriori推荐算法也有其优缺点,然而在本文中,我们将这两种算法整合,通过给两种算法的推荐结果赋不同的权值进行标准化,提取两种算法的优点,同时克服了各自的缺点,提出了一种并行式混合推荐算法。最后,使用数据集中的数据,对我们提出的新的混合推荐算法和两种基础算法分别进行仿真,并以F1、准确率、MAE、召回率以及算法效率为比较指标对叁种算法进行了分析比较,结果表明文中所提出的混合算法是具有非常好的实用性与可实践性。(本文来源于《宁夏大学》期刊2018-06-01）
魏全彬[10]（2018）在《基于协同过滤和属性关联规则混合推荐算法研究》一文中研究指出伴随着互联网科技的飞速发展,电子商务也逐渐走进大众视野,并成为人们日常生活中不可或缺的一部分。电商的发展必然伴随着用户和项目数量不断增加,且项目数量远远大于用户数量。这时如何在海量的数据中快速找到令用户满意的项目变得尤为重要。在这种时代背景下,个性化推荐技术应运而生,它通过分析用户行为并主动向用户提供个性化的信息服务和决策支持。基于用户的协同过滤推荐是个性化推荐中应用最多的一种算法,针对传统基于用户的协同过滤算法存在数据稀疏性问题而导致最终推荐效果不理想的情况。本文提出一种基于用户相似度改进的协同过滤方法,通过在皮尔逊计算公式中引入巴氏系数和项目共同评分占比因子,将巴氏系数和皮尔逊相似度融合对用户局部相似度进行计算,并采用项目共同评分占比因子对用户全局相似度进行计算。改进后的皮尔逊相似度能有效降低因数据稀疏而导致在计算用户相似度时的偶然性对最终推荐结果造成的误差。针对传统Apriori算法在进行项目推荐时,需多次扫描交易数据库以及若项目不在规则中则无法提供有效推荐的问题。提出基于矩阵的项目属性关联规则推荐,通过将用户历史行为转换为矩阵形式,挖掘项目属性之间存在的潜在关联关系为用户提供推荐。针对基于用户的协同过滤算法存在的新用户问题,关联规则推荐算法通过挖掘平台消费者的购物习惯,得到项目之间的潜在关联关系,可改善当用户行为数据稀少的情况下无法为用户提供推荐的问题,且基于用户的协同过滤也能有效改善关联规则推荐的新项目问题。因此,本文提出了将基于用户的协同过滤和关联规则混合并采用Top-N算法实现最终推荐。综上,本文对皮尔逊相似度计算方法进行了改进,使其能很好的适应数据稀疏性问题。并在传统Apriori算法的基础上提出了基于项目属性关联规则推荐算法,有效弥补了关联规则数目少而难以进行推荐的问题。并通过实验表明,这两种改进都能有效提高推荐性能。最终通过混合方式将两种推荐算法组合实现最终推荐,能有效改善数据稀疏性和冷启动问题。(本文来源于《西南交通大学》期刊2018-05-23）
规则过滤论文开题报告范文
（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：
由于人脸图像和视频很容易得到,活体成为人脸识别大规模应用的障碍。提出一种基于规则过滤的红外人脸活体检测方法,基于红外成像的机理,可以高效地防止照片、视频重放和人脸动作编辑等攻击。
（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。
规则过滤论文参考文献
[1].周鹏程,何震瀛,荆一楠,王晓阳.查找差异数据子集的过滤规则建模方法[J].软件工程.2019
[2].黄叶珏.一种基于规则过滤的红外人脸活体检测方法[J].现代计算机.2019
[3].王斯锋,朱玉佳,祝永志.使用隐式数据中的聚类和关联规则挖掘提高协同过滤建议的准确性[J].通信技术.2019
[4].何思越.关联规则与协同过滤在汽车电子商务中的应用[J].营销界.2019
[5].张小川,周泽红,向南,桑瑞婷.基于关联规则的协同过滤改进算法[J].重庆理工大学学报(自然科学).2019
[6].周蕊.基于信任机制的协同过滤和关联规则混合推荐模式研究[D].杭州电子科技大学.2019
[7].包志强,宋静霞.结合关联规则填充的协同过滤改进算法[J].现代电子技术.2019
[8].徐静,杜岗,安刚.融合关联规则及情感分析的音乐协同过滤推荐[J].连云港职业技术学院学报.2018
[9].韩志俊.基于关联规则优化的协同过滤混合推荐算法研究[D].宁夏大学.2018
[10].魏全彬.基于协同过滤和属性关联规则混合推荐算法研究[D].西南交通大学.2018