导读:本文包含了因子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:因子,分解,图像,特征,模型,复杂度,神经网络。
因子分解论文文献综述
付强,裴佩,丁永刚[1]（2019）在《基于因子分解机的灰色产业服务网页过滤方法》一文中研究指出互联网灰色产业服务日益泛滥,而传统的网页过滤算法无法准确高效地过滤掉灰色产业服务网页。为解决这一问题,基于TF*IDF提出一种改进的网页特征提取和权重计算方法,利用因子分解机模型对网页进行分类,并以代孕网站为例进行实验和评估。实验结果表明,该方法精确率达到98.89%,召回率达到98.63%,且对海量网页的过滤能够在线性时间复杂度内完成,大大提高了灰色产业服务信息过滤精度和效率。(本文来源于《软件导刊》期刊2019年09期）
苏畅,彭劭闻,谢显中,刘宁宁[2]（2019）在《融合深度学习和因子分解机的兴趣点签到预测研究》一文中研究指出基于位置的社交网络(Location-Based Social Networks,LBSN)为用户提供基于位置的服务,允许移动用户在社交网络中共享各自的位置以及与位置相关的信息。签到预测研究已经成为LBSN的重要且非常具有挑战性的任务。目前的预测技术大部分集中在以用户为中心的签到预测研究,而针对兴趣点签到预测的研究很少。文中主要研究以特定兴趣点为中心的签到预测。由于数据存在极端稀疏性的问题,运用传统的模型很难从数据中挖掘出用户的潜在签到规律。针对以特定兴趣点为中心的签到预测问题,提出了一种结合因子分解机和深度学习的新型网络模型(TSWNN),该模型融合了时间特征、空间特征、天气特征,基于因子分解机的思想处理高维稀疏向量,并采用全连接的隐藏层以挖掘用户在兴趣点的潜在签到行为模式,预测特定兴趣点的签到情况。在两个经典的LBSN数据集Gowalla和Brightkite上的实验结果表明了所提模型的优越性能。(本文来源于《计算机科学》期刊2019年05期）
丁永刚,张雨琴,付强,周箭锋,黄志芳[3]（2019）在《基于SOM神经网络和排序因子分解机的图书资源精准推荐》一文中研究指出[目的/意义]传统基于协同过滤的图书资源推荐算法难以处理数据稀疏问题,而传统基于矩阵分解的推荐算法在处理高维数据时可扩展性差,且它们的推荐结果仅依据预测评分大小确定,导致推荐准确度不高。鉴于此,文章提出基于SOM神经网络和排序因子分解机的图书资源推荐方法。[方法/过程]该方法首先利用SOM神经网络,基于用户学术背景信息对用户进行聚类,然后利用用户对图书资源的显式和隐式Web访问行为构建图书资源偏序关系,最后利用因子分解机(FM)作为排序函数对用户学术背景、Web访问行为和借阅图书简介文本等多种特征信息进行建模,并使用对级(Pairwise)排序学习算法实现图书资源的精准推荐。[结果/结论]实验结果表明,文章所提出的方法能有效缓解数据稀疏问题,提高推荐的准确率和效率。(本文来源于《情报理论与实践》期刊2019年09期）
曾思行[4]（2019）在《基于块因子分解的高光谱图像融合与降噪》一文中研究指出高光谱图像作为一种新兴的遥感成像技术,因其较高的光谱分辨率而受到广泛关注。然而,由于高光谱成像仪需要从多个光谱波段获取光子,高光谱成像的空间分辨率通常较低。为了得到空间分辨率和光谱分辨率都较高的超分辨图像,常常选择将高光谱图像与具有较高空间分辨率的多光谱图像进行融合。此外,高光谱图像在采集过程中往往不可避免地被各种噪声污染。因而,高光谱图像去噪,作为大多数高光谱图像处理技术的预处理过程,受到了广泛关注。但是,传统的高光谱融合和去噪方法,多将高光谱图像展开成二维矩阵并用传统的图像处理方法对其进行研究,这将会丢失高光谱图像的内在结构信息。张量作为矩阵的多维扩展形式,被证实在处理多维数据时颇具优越性。本文便是以块因子分解(Block Term Decomposition,BTD)的一种特殊形式矩阵-向量形式的张量分解(Matrix-Vector Tensor Factorization,MVTF)为基础,针对高光谱图像处理的问题展开如下研究:1.高空间分辨率的多光谱图像和高光谱分辨率的高光谱图像的图像融合问题。为了获取兼具高空间与高光谱分辨率的超分辨图像,我们提出了基于MVTF形式的张量分解的图像融合算法。该方法通过分别对高光谱、多光谱和超分辨图像进行MVTF建模,将超分辨图像的求解问题转化为对其分解后的因子矩阵的求解。与现有的基于张量分解的融合算法相比,MVTF可以充分探索高光谱数据的内部结构信息,更好的契合高光谱数据的线性混合模型。同时,为提升算法的融合效果及速度,引入了西尔维斯特方程,在更新因子矩阵的过程中避免了迭代求解。实验结果表明,与现有方法相比,融合后所得的超分辨图像细节丰富,纹理清晰,在各项指标上均有显着改善。2.基于MVTF的张量分解的高光谱去噪方法。高光谱图像往往具有低秩特性,而且高光谱图像各个波谱段上的图像具有很高的相关性。因此,我们对高光谱图像进行低秩张量块因子分解。而后,在低秩MVTF框架中引入全变分正则化项。全变分正则化项具有增强空间信息的能力,可以对空间域和光谱域的分段光滑结构进行表征。之后用?_1范数和Frobenius范数分别对稀疏噪声和高斯噪声进行约束,以达到去除多种噪声污染的目的。最后,采用着名的增广拉格朗日乘子方法求解该问题。实验表明,该方法在高光谱图像降噪上与现有经典算法相比有明显提升。(本文来源于《电子科技大学》期刊2019-04-01）
赵衎衎,张良富,张静,李翠平,陈红[5]（2019）在《因子分解机模型研究综述》一文中研究指出传统矩阵分解方法因其算法的高可扩展性和较好的性能等特点,在预测、推荐等领域有着广泛的应用.然而大数据环境下,更多上下文因素的获取变得可能,传统矩阵分解方法缺乏对上下文信息的有效利用.在此背景下,因子分解机模型提出并流行.为了更好地把握因子分解机模型的发展脉络,促进因子分解机模型与应用相结合,针对因子分解机模型及其算法进行了综述.首先,对因子分解机模型的提出进行了溯源,介绍了从传统矩阵分解到因子分解机模型的演化过程;其次,从模型准确率和效率两方面对因子分解机模型存在的基本问题和近年来的研究进展进行了总结,然后综述了适用于因子分解机模型求解的4种代表性优化算法;最后分析了因子分解机模型目前仍存在的问题,提出了可能的解决思路,并对未来的研究方向进行了展望.(本文来源于《软件学报》期刊2019年03期）
燕彩蓉,周灵杰,张青龙,李晓林[6]（2019）在《因子分解机模型的宽度和深度扩展研究》一文中研究指出因子分解机(factorization machine,简称FM)模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测精度和计算效率,在广告点击率预测和推荐系统领域被广泛研究和应用.对FM及其相关模型的研究进展进行综述,有利于促进该模型的进一步改进和应用.通过比较FM模型与多项式回归模型和因子分解模型之间的关联关系,阐述FM模型的灵活性和普适性.从特征的高阶交互、特征的场交互、特征的分层交互以及基于特征工程的特征提取、合并、智能选择和提升等角度,总结模型在宽度扩展方面的方法、策略和关键技术.比较和分析了FM模型与其他模型的集成方式和特点,尤其是与深度学习模型的集成,为传统模型的深度扩展提供了思路.对FM模型的优化学习方法和基于不同并行与分布式计算框架的实现进行概括、比较和分析.最后,对FM模型中有待深入研究的难点、热点及发展趋势进行展望.(本文来源于《软件学报》期刊2019年03期）
王晓耘,李贤,袁媛[7]（2019）在《基于因子分解机和隐马尔可夫的推荐算法》一文中研究指出因子分解机是一种基于矩阵分解的机器学习方法,通过在矩阵中引入上下文信息,构建含有上下文信息的矩阵,能够很好地进行用户评分预测。隐马尔可夫模型是一种含有隐含未知参数的统计模型,使用隐藏状态能够更好地符合实际情况。传统的推荐算法在进行推荐时通常并没有引入上下文信息,这通常会影响推荐算法的效果。鉴于上下文感知推荐算法通常能有效提高推荐精度,文中通过对推荐系统引入上下文信息并为用户添加用户隐藏兴趣状态,能够更精确地对用户进行推荐。为此,提出了一种结合因子分解机和隐马尔可夫模型的方法。在公开数据集上的验证结果表明,该方法相较于一些传统的推荐算法能够有效地提升推荐精度,并且在数据量增加的情况下也有较高的推荐精度。(本文来源于《计算机技术与发展》期刊2019年06期）
陈腾[8]（2019）在《因子分解机模型在推荐领域的应用研究》一文中研究指出互联网的兴起带来了信息量的剧增,满足了用户对知识的需求和渴望。但随着网络急剧发展而引发的信息大爆炸,使得用户在海量数据面前,不能简单直接获取自己真正所需内容,反而导致有效信息的获取难度增加,形成信息超载现象。推荐系统是解决上述问题的主要手段之一。目前推荐领域主流模型是协同过滤算法,分为基于User和Item的协同过滤以及基于模型的协同过滤。基于模型的协同过滤算法中,又以矩阵分解系列算法为主要分支,但是其在迁移性上存在弊端。因子分解机系列模型能够仅通过改变输入的特征实值向量形式,去模拟常见的矩阵分解模型,如SVD++,PITF等,有效地避免了传统矩阵分解模型针对每一个具体任务都要去单独定义模型表达式和优化方法的弊端。因此本文将研究聚焦于因子分解系列模型。首先,用户-物品评分矩阵中隐含的用户行为信息在一定程度上反映了用户的兴趣偏好,对于推荐而言是非常有价值的信息,但是常见的协同过滤算法并没有将此信息进行很好的利用。针对上述问题,本文提出了word2vec和因子分解机的融合模型,即通过word2vec技术对此序列信息建模,并将输出作为因子分解机模型输入,去进一步提升因子分解机模型的评分预测准确率。以上融合模型,经实验证明,在降低评分预测误差上,取得了较好的收益。其次,领域因子分解机在因子分解机基础上,提出了field的概念,使得其在特征建模方面效果更好。但其通常用于分类问题中,而这里我们则将其用来解决评分预测这样的回归问题。并且为了进一步提升模型的效果,我们还将领域因子分解机模型和Mini-Batch Kmeans++算法进行融合,进一步提升领域因子分解机模型的评分预测准确率。实验结果证明了上述方案在降低评分预测误差上的有效性。(本文来源于《哈尔滨理工大学》期刊2019-03-01）
赵凌霄,赵家乐,张建康,穆晓敏[9]（2019）在《基于平行因子分解的大规模MIMO盲信道估计》一文中研究指出针对单小区大规模多输入多输出(Multiple-Input Multiple-Output,MIMO)系统上行链路,提出了一种基于平行因子(Parallel Factor,PARAFAC)模型的信道估计方法。在基站端,将接收信号构造成PARAFAC模型,利用大规模MIMO系统中信道的渐近正交的性质,提出了一种基于约束二线性迭代最小二乘算法(Constrained Blinear Alternating Least Squares,CBALS),从而实现了盲信道估计。理论分析及仿真结果表明,所提方法与传统最小二乘方法相比,不仅提高了频带利用率而且具有更高的估计精度;与已有的二线性交替最小二乘方法(BALS)相比,所提算法有更快的收敛速度。(本文来源于《电讯技术》期刊2019年02期）
李健,陈卓,柏管,王占宝[10]（2019）在《基于质因子分解的混合排序MMC均压策略研究》一文中研究指出模块化多电平柔性直流输电系统(modular multilevel converter based on high voltage direct current, MMC-HVDC)中桥臂子模块数多达数百个,对MMC-HVDC控制器的设计和硬件的要求带来了巨大挑战,因此减少排序复杂度对柔性直流输电系统至关重要。针对传统电容电压排序的问题,基于质因子分解思想,引入快速排序,提出了混合排序法,极大的降低了排序次数。证明了快速排序法的时间复杂度,推导出采用快速排序法时子模块分组数或个数应满足的条件,并推算出基于混合排序法的排序次数计算式。最后通过随机实验验证快速排序法的时间复杂度,并基于Maltab/Simulink搭建两端MMC-HVDC验证混合排序法均压控制策略的可靠性和有效性。(本文来源于《计算机仿真》期刊2019年02期）
因子分解论文开题报告
（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：
基于位置的社交网络(Location-Based Social Networks,LBSN)为用户提供基于位置的服务,允许移动用户在社交网络中共享各自的位置以及与位置相关的信息。签到预测研究已经成为LBSN的重要且非常具有挑战性的任务。目前的预测技术大部分集中在以用户为中心的签到预测研究,而针对兴趣点签到预测的研究很少。文中主要研究以特定兴趣点为中心的签到预测。由于数据存在极端稀疏性的问题,运用传统的模型很难从数据中挖掘出用户的潜在签到规律。针对以特定兴趣点为中心的签到预测问题,提出了一种结合因子分解机和深度学习的新型网络模型(TSWNN),该模型融合了时间特征、空间特征、天气特征,基于因子分解机的思想处理高维稀疏向量,并采用全连接的隐藏层以挖掘用户在兴趣点的潜在签到行为模式,预测特定兴趣点的签到情况。在两个经典的LBSN数据集Gowalla和Brightkite上的实验结果表明了所提模型的优越性能。
（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。
因子分解论文参考文献
[1].付强,裴佩,丁永刚.基于因子分解机的灰色产业服务网页过滤方法[J].软件导刊.2019
[2].苏畅,彭劭闻,谢显中,刘宁宁.融合深度学习和因子分解机的兴趣点签到预测研究[J].计算机科学.2019
[3].丁永刚,张雨琴,付强,周箭锋,黄志芳.基于SOM神经网络和排序因子分解机的图书资源精准推荐[J].情报理论与实践.2019
[4].曾思行.基于块因子分解的高光谱图像融合与降噪[D].电子科技大学.2019
[5].赵衎衎,张良富,张静,李翠平,陈红.因子分解机模型研究综述[J].软件学报.2019
[6].燕彩蓉,周灵杰,张青龙,李晓林.因子分解机模型的宽度和深度扩展研究[J].软件学报.2019
[7].王晓耘,李贤,袁媛.基于因子分解机和隐马尔可夫的推荐算法[J].计算机技术与发展.2019
[8].陈腾.因子分解机模型在推荐领域的应用研究[D].哈尔滨理工大学.2019
[9].赵凌霄,赵家乐,张建康,穆晓敏.基于平行因子分解的大规模MIMO盲信道估计[J].电讯技术.2019
[10].李健,陈卓,柏管,王占宝.基于质因子分解的混合排序MMC均压策略研究[J].计算机仿真.2019
论文知识图
