导读:本文包含了候选集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:算法,流形,规则,阈值,对称性,系统,高效。
候选集论文文献综述
杨紫怡,盛晨,孔芳,周国栋[1]（2018）在《多策略候选集构建与实体链接》一文中研究指出针对实体链接中候选集构建问题提出了一种多策略结合的候选集构建算法。综合利用多种策略提取上下文中的完整指称,降低候选实体数量,同时提高正确实体的召回率,构建一个高质量的实体候选集。在TAC2014英文语料上使用本文提出的多种策略进行了实验和分析,确定最优候选集构建策略的同时,也证明了本文方法确实能够达到提升候选集召回率和准确率的目的。进一步验证了候选集质量对完整的实体链接系统的性能影响明显。相比基准算法,使用最优候选集构建策略提取的候选集能使整体的实体链接系统的性能提升3.7%。(本文来源于《计算机工程与科学》期刊2018年12期）
高航[2]（2018）在《基于背景先验和物体候选集的显着性对象检测研究》一文中研究指出在一个复杂的场景中,总存在着突出的,引人注目的区域,我们称之为显着性区域。显着性对象检测的主要任务就是准确提取出图像中显着性目标区域,并输出一副显着图来表示每个像素属于显着目标的可能性。由于其能够更好帮助人们理解图像以及有助于计算机快速高效地处理复杂的视觉任务,目前已广泛运用到了与计算机视觉相关的多个领域中,如目标检测,图像分割,视频压缩等。本文基于边界背景先验和物体候选集,提出了两种自底向上的显着性对象检测框架。同时本文提出了一种新颖的物体位置先验计算模型,对显着图进行优化。本文的主要工作和创新点如下:第一,本文在传统的流形排序显着性检测模型(MR)基础上,将边界背景先验和区域对比集成到一个模型中,本文称作为EMR模型。传统流形排序(MR)显着性检测模型不仅利用了业界常用的边界背景先验,还假设除了边界,其他地方都是显着性区域,该假设不是很合理,与最终的需求有所矛盾。因此,本文的EMR模型舍弃了该假设,重新定义了一个新的代价函数,在边界背景先验的基础上,再根据显着性区域与周围环境颜色对比突出的特点来找到显着性区域。第二,本文基于卷积神经网络(CNN)提取高层次特征,相比于传统颜色特征,CNN提取的高层次特征具有语义性。相对于目前其他方法基于超像素提取高层次特征,本文创新地引入图像分割领域的方法,得到物体候选集,物体候选集相比于超像素,形状,纹理,语义信息更加丰富。同时,针对一些同时包含显着性区域和背景的物体候选区域所造成结果的偏差,本文使用EMR方法对其进行了一个修正。第叁,本文提出了一个新颖的物体位置先验计算方法,用来优化目前的显着性检测模型对于背景噪声无法很好抑制的问题。通过找到显着性区域所在的位置,来抑制远离显着性区域的噪声区域。本文定义了一个代价函数来寻找一个最优的矩形区域,它刚好可以框住显着性区域。为了减少计算量,本文提出了由粗糙定位到精准定位的求解方式来得到近似最优解。本文在叁个公开的显着性检测数据集上进行验证,并与十二种经典或者最新的方法进行对比。实验结果表明,本文的模型表现好于其它十二种模型。(本文来源于《华南理工大学》期刊2018-04-10）
李荣龙,胡伟[3]（2018）在《字符候选集筛选算法评测方法研究》一文中研究指出MSER连通域在文字检测方法中被大量使用,主要用于生成最初的文字候选集合,便于后续算法进行筛选。而MSER连通域的筛选算法的效果直接影响了整体文字检测的最终结果。目前只有对整体文字检测进行评价的数据集和方法,缺少单纯地针对MSER筛选算法效果的评测机制。文中介绍了一个评测MSER候选集筛选算法效果的方法和框架。本方法首先应用基于森林的层次遍历算法遍历MSER候选集,然后随机着色同一层中的MSER候选集节点,挑选标记其中符合规范的区域,并标注结果为正样本,其余未标注部分为负样本,构建评测数据集。基于该数据集,可以评测各类筛选算法的性能。文中测试了MSER剪枝算法、深度学习和SVM分类方法来对候选集进行筛选并评测其效果,表明了评测方法和数据集的有效性。(本文来源于《信息技术》期刊2018年01期）
王思寒[4]（2017）在《基于SVD++推荐系统候选集生成及冷启动解决方法》一文中研究指出随着互联网上信息爆发式的增长,用户对信息也呈现出个性化的需求。推荐系统通过用户偏好数据获取用户兴趣取向,从而为用户提供个性化的信息或商品推荐服务。SVD++算法由于其良好的精确度与可扩展性,非常适合用于大型互联网系统,已成为推荐系统领域的研究热门。但冷启动与候选集生成问题一直是SVD++算法应用的瓶颈。推荐系统需预测用户对商品子集即候选集的偏好从而形成推荐。而SVD++算法基于随机抽样的候选集生成方法不能生成符合用户兴趣的候选集,推荐结果的个性化程度不高,这便是候选集生成问题。另一方面,系统扩展引入的新用户、新商品不存在评分数据,SVD++算法不能训练新用户新商品的特征参数,产生新用户、新商品无法加入推荐系统的冷启动问题。针对候选集生成问题,考虑到用户历史行为与候选集之间的关联,本文利用关联挖掘方法解决候选集生成问题,提出了基于FP-Tree的候选集生成方法。本文利用FP-Tree存储商品间的关联关系,挖掘与用户的浏览历史相关联的商品形成候选集。针对冷启动问题,本文利用标签模型描述用户特征与商品特征,将标签模型融入SVD++算法,给出了Tag-Based SVD++算法。该算法利用现有评分数据训练标签的特征参数,系统利用新用户新商品提供的标签为其生成特征参数,从而解决冷启动问题。实验结果表明,相比SVD++算法,基于FP-Tree的方法生成的候选集更符合用户兴趣。Tag-Based SVD++算法能有效解决系统的冷启动问题,能提供较高的预测精度。(本文来源于《华中科技大学》期刊2017-05-24）
田金鹏,刘小娟,刘燕平,薛莹,郑国莘[5]（2017）在《多候选集广义正交匹配追踪算法》一文中研究指出针对压缩感知中贪婪类信号重构算法精度不高的问题,提出一种多候选集广义正交匹配追踪算法.按照测量矩阵与残差内积的相关性选出多个原子作为多个候选集,然后在迭代时分别将多个原子加入对应候选集,以提高算法收敛速度.从多个候选集中选出残差最小的一个作为最终支撑集,实现信号的精确重构.实验表明,该算法与已有的同类算法相比能更好地重构原始信号,且算法复杂度较低.(本文来源于《应用科学学报》期刊2017年02期）
石宇,查梦娟,梁宇,邱惠[6]（2017）在《基于群体兴趣的个性化推荐候选集构建》一文中研究指出对个性化推荐候选集构建方案进行优化,在保证对用户感兴趣项目覆盖率较高的前提下,压缩候选集规模,从而改善个性化推荐效果。采用融合用户群体兴趣与个性化特征的方法构建推荐候选集,先以用户群体兴趣为基础构建初始候选集,在此基础上基于用户个性化特征对其进行过滤,生成推荐候选集。在模型构建的基础上,以电影数据为例进行模型效果验证。实验结果显示,该模型在覆盖率小幅降低的情况下,可将候选集规模压缩为原来的3.4%;该模型能显着提升个性化推荐的最终效果,因此该策略是一种较理想的候选集构建策略。(本文来源于《数字图书馆论坛》期刊2017年01期）
田金鹏,刘小娟,郑国莘[7]（2017）在《递减候选集正则化子空间追踪算法》一文中研究指出为提高压缩感知子空间追踪算法的信号重建概率及精度,提出一种递减候选集正则化子空间追踪算法.该算法基于Co Sa MP/SP算法并加以改进,将迭代过程分成若干个阶段,在每个阶段均采用类Co Sa MP/SP算法进行迭代计算,但各阶段的候选集原子个数依次递减,同时按正则化方法选择新的候选集原子.实验仿真对比结果表明,与同类算法相比,所提出算法能够以更高概率重建信号,在噪声环境下也具有较高的重建精度.(本文来源于《控制与决策》期刊2017年02期）
曾安,谢杰民,潘丹[8]（2016）在《基于项目候选集的协同过滤算法》一文中研究指出针对协同推荐技术中的数据稀疏性等问题,提出了一种新颖的协同过滤算法。该算法在用户相似的协同过滤基础之上,引入用户之间的非对称影响度和支持度,提出项目候选集的概念。并且,该算法利用项目信息熵对未评分项目集合进行二次修正,得到候选项目集合,进而提高算法的准确率。基于Movie Lens和Netflix数据集的实验表明,相比目前多个比较流行的算法,该算法在推荐结果的准确率、召回率和F_1值上都具有较大的优势,有效地降低了用户评分稀疏性问题带来的负面影响,显着提高了推荐系统的推荐质量。(本文来源于《计算机应用研究》期刊2016年12期）
王梦迪,程玉胜[9]（2016）在《基于候选集的相似度度量的计算》一文中研究指出关联规则的数据挖掘作为数据挖掘的一种重要模式,已成为目前数据挖掘领域的一个非常重要的研究课题。其中如何度量和寻找有效的候选集一直是众多学者研究的课题之一。本文在置信度及其兴趣度度量的基础上,提出了产生候选集的相似度度量计算方法,并对比了该方法和置信度及其兴趣度之间的联系,并利用相关结论进一步讨论了大数据集环境下如何更加有效地计算相似度的度量计算方法。(本文来源于《中小企业管理与科技(下旬刊)》期刊2016年04期）
陈明福[10]（2015）在《缩小候选集的Top-k高效模式挖掘算法研究》一文中研究指出数据挖掘能够发现隐藏在数据中的有用信息,在数据分析领域扮演着重要角色,特别是在零售业,每天需要分析从各个分店产生的大量销售数据,用来帮助商家做出有利的销售决策,比如清单编制,产品布局和推广。为了使销售业务能够按计划顺利进行,对于各分店不断产生的销售数据,能够进行高效的分析是非常有必要的。作为数据挖掘的一项重要技术,频繁模式挖掘可以发现由项目构成的有用模式。在通常的挖掘算法中,如Apriori,FP-Tree,用户需设定一个阈值来从数据库中获取有用模式,但是现实中,用户很难给出一个适当的阈值。为了解决这个问题,Top-k频繁模式挖掘算法被提了出来。不同于设置阈值,用户只要设置希望得到的模式数量k,就可以得到价值排名靠前的k个模式。该算法利用向下闭合特性来缩小搜索空间,可以大大提高挖掘的处理效率。现实应用中比如超市零售数据分析中,商品利润和出现次数具有重要的意义。但是Top-k频繁模式挖掘算法不考虑上述特性。尽管可以借用效用值挖掘的概念加以解决,但它却不满足向下闭合特性。因此,无法利用向下闭合特性来提高效用模式挖掘的效率。近年来已经有人提出超估的方法,但是会产生大量的候选模式。在高效用模式挖掘算法中,减少候选模式的数量是个重要的课题。受此启发,本文提出了借助精确和预估算效用值提高阈值缩小候选集的Topk高效模式挖掘算法,本文的主要工作有:①提出了3种利用项目集的精确和预估有效值的策略来提高构建全局树时的效用阈值,缩小树的规模,节省了时间。②在构建UP-Tree之后,使用了一种新的策略再次提高阈值,使产生的候选模式更少。③与UP-Growth和TKU算法相比,本文的算法在识别最终的Top-k高效模式时,需要判断的候选模式和扫描数据库的次数更少。④对现实数据和合成数据的综合实验表明,本文算法具有较好的时间和空间性能。文章第一部分绪论介绍了研究背景,现状和内容;第二部分,简单介绍了数据挖掘的基本知识;第四部分,详细讲解了算法的过程;第五部分分析和展示了实验的结果。最后做了总结。(本文来源于《重庆大学》期刊2015-04-01）
候选集论文开题报告
（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：
在一个复杂的场景中,总存在着突出的,引人注目的区域,我们称之为显着性区域。显着性对象检测的主要任务就是准确提取出图像中显着性目标区域,并输出一副显着图来表示每个像素属于显着目标的可能性。由于其能够更好帮助人们理解图像以及有助于计算机快速高效地处理复杂的视觉任务,目前已广泛运用到了与计算机视觉相关的多个领域中,如目标检测,图像分割,视频压缩等。本文基于边界背景先验和物体候选集,提出了两种自底向上的显着性对象检测框架。同时本文提出了一种新颖的物体位置先验计算模型,对显着图进行优化。本文的主要工作和创新点如下:第一,本文在传统的流形排序显着性检测模型(MR)基础上,将边界背景先验和区域对比集成到一个模型中,本文称作为EMR模型。传统流形排序(MR)显着性检测模型不仅利用了业界常用的边界背景先验,还假设除了边界,其他地方都是显着性区域,该假设不是很合理,与最终的需求有所矛盾。因此,本文的EMR模型舍弃了该假设,重新定义了一个新的代价函数,在边界背景先验的基础上,再根据显着性区域与周围环境颜色对比突出的特点来找到显着性区域。第二,本文基于卷积神经网络(CNN)提取高层次特征,相比于传统颜色特征,CNN提取的高层次特征具有语义性。相对于目前其他方法基于超像素提取高层次特征,本文创新地引入图像分割领域的方法,得到物体候选集,物体候选集相比于超像素,形状,纹理,语义信息更加丰富。同时,针对一些同时包含显着性区域和背景的物体候选区域所造成结果的偏差,本文使用EMR方法对其进行了一个修正。第叁,本文提出了一个新颖的物体位置先验计算方法,用来优化目前的显着性检测模型对于背景噪声无法很好抑制的问题。通过找到显着性区域所在的位置,来抑制远离显着性区域的噪声区域。本文定义了一个代价函数来寻找一个最优的矩形区域,它刚好可以框住显着性区域。为了减少计算量,本文提出了由粗糙定位到精准定位的求解方式来得到近似最优解。本文在叁个公开的显着性检测数据集上进行验证,并与十二种经典或者最新的方法进行对比。实验结果表明,本文的模型表现好于其它十二种模型。
（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。
候选集论文参考文献
[1].杨紫怡,盛晨,孔芳,周国栋.多策略候选集构建与实体链接[J].计算机工程与科学.2018
[2].高航.基于背景先验和物体候选集的显着性对象检测研究[D].华南理工大学.2018
[3].李荣龙,胡伟.字符候选集筛选算法评测方法研究[J].信息技术.2018
[4].王思寒.基于SVD++推荐系统候选集生成及冷启动解决方法[D].华中科技大学.2017
[5].田金鹏,刘小娟,刘燕平,薛莹,郑国莘.多候选集广义正交匹配追踪算法[J].应用科学学报.2017
[6].石宇,查梦娟,梁宇,邱惠.基于群体兴趣的个性化推荐候选集构建[J].数字图书馆论坛.2017
[7].田金鹏,刘小娟,郑国莘.递减候选集正则化子空间追踪算法[J].控制与决策.2017
[8].曾安,谢杰民,潘丹.基于项目候选集的协同过滤算法[J].计算机应用研究.2016
[9].王梦迪,程玉胜.基于候选集的相似度度量的计算[J].中小企业管理与科技(下旬刊).2016
[10].陈明福.缩小候选集的Top-k高效模式挖掘算法研究[D].重庆大学.2015
论文知识图
