导读:本文包含了矩阵嵌入论文开题报告文献综述及选题提纲参考文献，主要关键词:个性化推荐,协同过滤,数据稀疏性,图嵌入
矩阵嵌入论文文献综述
陈垠芬[1]（2019）在《基于矩阵填充与图嵌入表示的个性化推荐算法研究》一文中研究指出个性化推荐可以根据用户兴趣爱好来提供用户可能感兴趣的内容,是解决信息过载问题的关键技术。个性化推荐系统中,协同过滤是一种重要的推荐策略。协同过滤算法根据用户-项目评分矩阵计算用户/项目相似度,将相似度高的用户/项目作为目标用户/项目的近邻,然后根据近邻的评分内容将某些目标用户未评分过的项目推荐给目标用户。由于协同过滤过于依赖用户-项目评分矩阵,而在现实生活中,大多数的推荐系统中的用户仅仅只对少量的项目进行评价,并且大多数项目也仅仅被少量用户评价,这就导致用户-项目评分矩阵具有很大的稀疏性,从而很难得到较高的推荐质量。另外,当新的用户进入系统时,由于没有评分记录,协同过滤算法就不能根据其评分分值进行推荐,这就是冷启动问题。因此,冷启动情况下,推荐系统要如何给新用户推荐就成为待解决问题。本文针对协同过滤算法中评分矩阵稀疏性问题,提出使用LMaFit算法对评分矩阵进行填充,降低矩阵的稀疏度,缓解了数据稀疏性问题;同时根据用户属性(年龄、性别、职业)和评分记录融合加权,计算用户相似度,使得推荐系统可依据用户相似度向新用户推荐,从而缓和了冷启动现象;以上述研究为基础,利用k-means++算法对用户聚类,寻找目标用户的近邻,预测出用户评分。基于数据Movielens-100k的实验表明,本文提出的方法在MAE和RMSE两个指标上均有不错的结果。为了学习到用户和项目深层次的嵌入表示,更加了解用户和项目间非线性结构特征,本文在传统的协同过滤算法基础上引入了图嵌入表示,基于DNGR模型学习到用户和项目的图嵌入表示,并计算用户特征、项目特征的相关度。该方法在Movielens-100k数据集上的实验表明推荐精度要高于传统的协同过滤算法。(本文来源于《江西师范大学》期刊2019-05-01）
张洪磊[2]（2019）在《结合图嵌入与矩阵分解的社会化推荐系统研究》一文中研究指出人工智能技术的迅猛发展,使得人类社会与信息世界的界限越发模糊,日趋呈现出人机共生、万物互联的新格局。在此背景下,数据的种类与数量与日俱增,如何从浩如烟海的大数据中快速、准确地甄选有价值信息已然成为当下学术界与工业界所共同面临的主要难题之一。推荐系统,作为传统信息检索的有效补充手段,充分利用用户与物品自身内容特征及其二者间的交互数据自动过滤无用信息,旨在对抗信息过载问题,以期达到信息生产者与消费者之间的博弈均衡。协同过滤,特别是矩阵分解,是推荐系统背后的核心技术之一,其巧妙地利用群智感知思路实现个性化推荐,由于其稳定的预测性能以及灵活的扩展能力,一直以来都是学术界与工业界的研究热点。但其性能时常受限于数据稀疏与冷启动问题。目前比较主流的解决思路是利用用户间的社交网络信息弥补用户-物品交互数据。然而,由于社交网络数据的复杂性,现有结合社交信息的推荐算法多为启发式方案,未能充分挖掘社交网络中的有用信息以辅助推荐任务。幸运的是,图嵌入技术的兴起为社交推荐的研究提供了新思路,其致力于将高维稀疏的社交信息嵌入到低维稠密的向量空间,同时最大化的保证原有网络的结构信息。鉴于此,本文以社会化推荐系统为研究对象,重点探索矩阵分解与图嵌入技术的有效融合方案,提出了依次学习和联合学习两种融合范式,现将主要工作罗列如下:首先,针对协同过滤固有的数据稀疏问题,提出矩阵分解与神经图嵌入技术依次学习的算法框架SoTriCF。其中集成了叁种经典的协同过滤技术,以此来捕捉用户与项目间的多重相似性;然后利用图嵌入技术处理社交信息得到的用户低维表示依次地整合到推荐场景中,以至达到缓解评分数据与社交数据的二重稀疏性;其次,还提出了基于隐变量映射机制的解决方案来缓解冷启动问题。另外,为了进一步达到推荐任务与社交网络分析任务的有效融合,提出矩阵分解与神经图嵌入模型联合学习的集成方法NGE-MF,以此实现评分预测与用户网络嵌入两种任务间的双向互动与协同优化。矩阵分解可以学得用户对项目的行为习惯,神经图嵌入可以充分挖掘用户的社会特性,通过将两者进行联合学习,使得用户隐特征能够进行统一优化,从而得到更符合实际应用需求的隐特征表示。最后,通过在叁个真实数据集上进行大量的对比实验与参数分析,结果表明两种结合范式的社交集成方案均取得了更优的推荐性能,有效的缓解了数据稀疏和冷启动问题,充分说明了所提出算法的合理性与有效性。(本文来源于《北京交通大学》期刊2019-04-10）
张佳晖,张宇[3]（2019）在《基于矩阵分解和评论嵌入表示的推荐模型研究》一文中研究指出协同过滤是目前最为成功的推荐技术之一,但它只利用了评分数据,忽视了大量可以利用的用户评论。针对该问题提出了一种基于概率图的深度神经网络推荐模型,即共享表示模型(Shared representation model,SRM),并在SRM的基础上提出一种基于多任务学习思想的改进模型,即隐因子共同学习模型(Joint learning model with latent factor,LF-JLM)。LF-JLM结合了基于矩阵分解的隐因子推荐算法和doc2vec语言模型,它在doc2vec和隐因子模型的映射层使用共享的用户、商品、评论文档的向量表示,因此能够学习到具有跨任务不变性的底层特征。在Amazon数据集上对提出的两种模型与作为基线的隐因子模型和HFT模型进行了对比实验,实验结果表明:LF-JLM能够有效地抽取出评论中隐含的语义信息;与隐因子模型和HFT模型相比,该算法评分预测的均方误差分别减小了7.85%和1.19%。(本文来源于《浙江理工大学学报(自然科学版)》期刊2019年01期）
朱东阳[4]（2018）在《《南方农村报》微信公众号矩阵嵌入叁农产业研究》一文中研究指出随着科技和新媒体的发展,传统媒体受到了越来越强烈的冲击,发行业务已经不能作为其主要业务,转型发展成为必然选择,微信公众号凭借其时效快、传播范围广、影响范围大、呈现形式多样等特点,正在成为传统媒体转型的重要方式。《南方农村报》作为深耕行业多年的农业报刊,始终坚持为行业提供最权威的信息和最全面、优质的服务。微信公众号矩阵的设立更是与叁农产业深度融合,深耕细分各个涉农行业领域,打造具有独特价值的叁农综合服务商。本文采用文本分析、深度访谈、统计分析等方法,重点分析《南方农村报》比较突出的几个代表性的微信公众号矩阵的运营情况,在融合理论、融合布局、融合机制等方面,对其传播主体、传播内容、发文规律、营销推广等方面进行全方位的剖析,总结出其与叁农产业的融合情况。通过分析,同时也发现了微信公众号矩阵在嵌入到叁农产业过程中有待完善的地方,如微信公众号运营中的问题,涉农媒体与叁农产业融合发展亟需扶持,与叁农产业从业人员黏性不足,技术缺失导致对产业资源整合、利用不足等等,并提出了相应的完善措施,以供其他涉农媒体借鉴学习。(本文来源于《河北大学》期刊2018-06-01）
高瞻瞻,汤光明,王硕[5]（2018）在《基于贝叶斯网络模型和矩阵嵌入的VoIP隐写算法》一文中研究指出网络语音电话(voice over IP,VoIP)已成为目前人们沟通交流的普遍选择.相比文本、图像等传统隐写载体,网络语音数据流隐蔽性好,隐藏空间更大,因而得到越来越多的关注.目前的网络语音隐写研究围绕算法设计展开,已有成果的抗检测性有待进一步加强,且缺乏安全性理论指导.为此,首先分析语音帧的时序性特点,以相对熵的形式定义了基于贝叶斯网络模型的隐写安全性.通过分析语音编码过程,建立了固定码本参数的贝叶斯网络模型并将参数分为二元载体和叁元载体2类.应用矩阵嵌入技术确定载体的修改位置,减少修改量;以最小化安全性测度为目标确定叁元载体元素的修改方向,降低隐写对载体统计特性的影响.实验表明:在不显着增加计算复杂度的前提下,所提算法取得了比已有算法更好的感知透明性和抗检测能力.(本文来源于《计算机研究与发展》期刊2018年04期）
卜令涛,吴江寿[6]（2018）在《工业机器人元素嵌入电气自动化专业领域的分析——基于工作嵌入的六维度矩阵》一文中研究指出本文对电气自动化专业设置工业机器人方向进行了课程体系的分析,以工作嵌入的六维度矩阵分析法分析了电气自动化专业领域和工业机器人领域中结合紧密的专业元素,尤其在Link(关联)、Fit(匹配)、Sacrifice(牺牲)等方面的影响进行了量化分析,通过分析将工业机器人编程、PLC、传感器应用、伺服驱动、工业机器人应用仿真等课程纳入到电气自动化专业领域向工业机器人应用方向发展的核心位置。(本文来源于《电子技术与软件工程》期刊2018年05期）
李雪[7]（2017）在《基于流形嵌入的矩阵分解算法研究》一文中研究指出随着信息技术的迅速发展和互联网的广泛应用,人类需要处理的数据具有高数据量、高维数、高增长率以及非结构化等特点。如何对这些复杂的海量数据进行快速有效的处理、提取用户所需的有价值信息,是模式识别和计算机视觉等领域共同关注的问题。矩阵分解算法作为一种新兴的非线性维数约简方法,成为机器学习中一个新的研究热点,其目标是将一个高维矩阵分解为两个或多个矩阵的乘积。本文从流形学习的角度出发,研究了在矩阵分解算法过程中,如何有效的从原始高维数据中发现数据的低维特征,从而挖掘出有价值的信息。传统的流形学习算法存在构图方式简单、忽略了样本分布的复杂性、算法单层结构分解的局限性及没有充分利用样本数据的几何结构信息和样本类别信息等缺陷。文中针对这些问题进行了深入研究,主要工作及贡献如下:1.提出了一种基于全局数据的非负矩阵分解(GDNMF)算法。传统的图学习算法采用K-Nearest Neighbor(KNN)方法构造图模型,用于编码样本数据的结构信息。由于数据分布的复杂性,仅依靠该数据的K个近邻点不足以完全提取出样本的结构信息;此外,不同样本数据在构建图模型时K的取值不同,如何对K取值一直以来是图学习算法研究的难点。GDNMF算法考虑到样本分布的复杂性,在整个样本空间中度量该数据点与所有数据之间的关系,保持这种拓扑关系在低维结构中不变;同时为了使用数目较少的基向量表示出原始高维数据的特征,减少特征向量的冗余,GDNMF对基向量施加正交约束。因此,GDNMF算法构造的图模型可以有效表示全体数据之间关系,得到具有表示特征的基向量。在ORL人脸库、USPS手写体库和OUTEX地形库上验证了GDNMF算法的有效性;2.提出结构鉴别的非负矩阵分解(SDNMF)算法并应用于高光谱解混。SDNMF根据近邻点亲和、远离点互斥的性质,使得高维空间中距离相近的光谱解混后具有相似的丰度系数,而距离较远的光谱解混后其丰度系数不同,鉴别出各端元的属性。同时,由于光谱成像仪的低分辨率性,高光谱数据分布非常复杂,仅通过像素之间的距离不能有效判断分布在交界处的数据所属的端元属性,因此提出全局聚类和结构鉴别的非负矩阵分解(GSNMF)算法。GSNMF同时考虑了数据的局部结构信息和端元属性信息,可以有效保持数据的结构不变并使各端元物质其映射到低维空间后的聚类中心与高维空间中保持一致。通过全局聚类表示和局部结构鉴别保持,GSNMF可以有效获得混合像元中的光谱信息并获得其丰度系数。在人工模拟数据集合和真实的高光谱图像集(Urban和Washington-DC)上的实验结果表明了SDNMF和GSNMF算法的有效性;3.传统的概念分解(CF)算法只执行一次分解,不足以挖掘出数据的本质特征,因此,本文提出一种基于级联结构的多层概念分解(MCF)算法。通过多层分解,MCF提取样本数据在每一层的特征结构,得到特征向量的级联表达。同时,为了利用样本的几何结构信息,提出基于图正则化的多层概念分解(GMCF)算法。GMCF算法进行每一层分解时,利用拉普拉斯图正则项来保持该层样本数据的流形结构信息。相较于单层分解算法,多层分解可以更深入的挖掘出嵌入在高维空间中的样本信息。在TDT2文本库、COIL-20图像库和NJUrobt地形图像库上进行聚类,实验结果表明文中提出的多层分解算法MCF和GMCF能有效地提高聚类的准确率和归一化互信息;4.针对传统图模型的流形学习无法准确表达数据间多元几何结构信息的问题,提出了一种基于超图正则化的概念分解(HRCF)算法。HRCF算法用一组具有相似属性的数据子集构建超边,建立数据间具有高阶关系的超图模型。通过在CF算法中增加超图正则项,保持数据间多元几何流形结构信息。同时,为了考虑样本的类别信息,提出了一种基于超图正则化受限的概念分解(HCCF)算法。与HRCF算法不同的是,HCCF算法不仅通过一个无向加权的拉普拉斯超图正则项提取数据间的多元几何结构信息,同时采用硬约束的方式,使标记样本的类别信息在低维空间中保持—致,增强了算法的鉴别性。在Reuters文本库、MNIST手写体库和OUTEX地形库上的实验结果表明,相对于其他算法,基于超图的HRCF和HCCF算法具有较强的数据表示能力和聚类性能。(本文来源于《南京理工大学》期刊2017-06-01）
岳鹏[8]（2017）在《基于矩阵嵌入的自适应VoIP隐写方法研究及实现》一文中研究指出作为信息隐藏的重要分支,隐写术已成为当前信息安全领域的研究热点。语音电话(Voice over IP,VoIP)由于其庞大的用户量和数据流的持续性,已成为隐写术最重要的载体类型之一。近年来,随着以网格码(Syndrome-TrellisCodes,STC)为代表的矩阵嵌入框架在隐写方案设计中的普及,自适应VoIP隐写已成为音频隐写领域的主要发展方向之一。本文从载体嵌入信道选择、隐写失真代价函数设计、矩阵嵌入框架优化等角度对VoIP自适应隐写编码技术展开研究,主要研究工作如下:(1)提出了一种基于语音帧列向量的自适应VoIP隐写方法,在典型的最低有效位分组和帧窗口(Classifying Least Significant Bit and Frame Window,CLFW)隐写方法基础上,对G.723.1语音帧进行列向量分组从而减小同组间LSB位修改带来的语音质量的影响,并对不同LSB位依据其听觉冗余度差异选取不同码率的线性码构建变长矩阵嵌入从而实现自适应语音帧嵌入。实验结果表明本文所提算法相较于CLFW可以有效提高听觉隐蔽性。(2)提出了一种基于线性预测编码(Linear Predictions Coding,LPC)倒谱失真代价的自适应VoIP隐写方法。在通用小波相对失真函数(Universal Wavelet Relative Distortion,UNIWARD)基础上,对平均LPC倒谱失真(Mean Cepstrum Distortion,MCD)展开分析,设计了 LPC倒谱失真代价函数。利用该失真代价函数,结合网格码STC确定语音帧LPC倒谱系数修改位置,完成秘密信息的嵌入。语谱图分析与感知语音质量评价标准(PerceptualEvaluation of Speech Quality,PESQ)实验结果表明该方案相比较于当前典型VoIP隐写方案在安全性上具有明显提升。(3)基于PJSIP、FFmpeg、JRTPLIB开源库设计了一类VoIP隐蔽通信平台。利用会话初始协议(Session Initiation Protocol,SIP)实现信令模块,利用实时传输协议(Real-time Transport Protocol,RTP)进行语音数据传输,将本文设计的 VoIP 算法以及 G.723.1编/解码器集成为隐蔽通信模块,最终实现可适用于Windows平台的VoIP隐蔽通信工具。测试结果表明,该工具可以在维持正常VoIP通信的同时实现文件的隐蔽传输。文章最后总结了本人研究的主要工作和成果,并对未来进一步的研究方向进行了展望。(本文来源于《南京理工大学》期刊2017-01-01）
王华本,胡建明,鹿建银[9]（2016）在《基于嵌入式系统ZigBee传感器控制LED矩阵的设计与实现》一文中研究指出本文在嵌入式系统的平台下,将Zig Bee技术引入到LED矩阵的设计系统中,提出一种由Zig Bee传感器构成的LED显示模式的具体实现方法。在CVT-6410实验箱上研究了LED显示模式、汉字字符转换成点阵的设计原理,实现了控制LED矩阵显示图形、控制LED矩阵图形变换和控制LED矩阵亮度变换,为LED显示屏的进一步应用创造了条件。(本文来源于《长春师范大学学报》期刊2016年02期）
范方园,苏华友,刘丽芳[10]（2015）在《基于嵌入式多核处理器Epiphany的矩阵乘算法实现与评测》一文中研究指出嵌入式多核处理器在国防军事、消费电子、车载通信领域具有广泛的应用前景,但是要发挥嵌入式多核处理器高效的计算能力,需要在任务划分、数据通信等方面进行大量的优化工作。本文以片上多核嵌入式处理器Epiphny为平台,研究嵌入式多核处理的并行编程和优化问题。本文基于标准C和OpenCL两种语言实现了面向该多核处理器的矩阵乘算法,并进行了针对性优化。实验结果表明,基于标准C的实现能够更好的利用处理器的浮点计算能力。基于OpenCL的实现由于无法利用核间的高效通信能力,性能无法与基于标准C的实现相比,但是OpenCL程序具有更好的平台可移植性。(本文来源于《第十九届计算机工程与工艺年会暨第五届微处理器技术论坛论文集》期刊2015-10-18）
矩阵嵌入论文开题报告
（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：
人工智能技术的迅猛发展,使得人类社会与信息世界的界限越发模糊,日趋呈现出人机共生、万物互联的新格局。在此背景下,数据的种类与数量与日俱增,如何从浩如烟海的大数据中快速、准确地甄选有价值信息已然成为当下学术界与工业界所共同面临的主要难题之一。推荐系统,作为传统信息检索的有效补充手段,充分利用用户与物品自身内容特征及其二者间的交互数据自动过滤无用信息,旨在对抗信息过载问题,以期达到信息生产者与消费者之间的博弈均衡。协同过滤,特别是矩阵分解,是推荐系统背后的核心技术之一,其巧妙地利用群智感知思路实现个性化推荐,由于其稳定的预测性能以及灵活的扩展能力,一直以来都是学术界与工业界的研究热点。但其性能时常受限于数据稀疏与冷启动问题。目前比较主流的解决思路是利用用户间的社交网络信息弥补用户-物品交互数据。然而,由于社交网络数据的复杂性,现有结合社交信息的推荐算法多为启发式方案,未能充分挖掘社交网络中的有用信息以辅助推荐任务。幸运的是,图嵌入技术的兴起为社交推荐的研究提供了新思路,其致力于将高维稀疏的社交信息嵌入到低维稠密的向量空间,同时最大化的保证原有网络的结构信息。鉴于此,本文以社会化推荐系统为研究对象,重点探索矩阵分解与图嵌入技术的有效融合方案,提出了依次学习和联合学习两种融合范式,现将主要工作罗列如下:首先,针对协同过滤固有的数据稀疏问题,提出矩阵分解与神经图嵌入技术依次学习的算法框架SoTriCF。其中集成了叁种经典的协同过滤技术,以此来捕捉用户与项目间的多重相似性;然后利用图嵌入技术处理社交信息得到的用户低维表示依次地整合到推荐场景中,以至达到缓解评分数据与社交数据的二重稀疏性;其次,还提出了基于隐变量映射机制的解决方案来缓解冷启动问题。另外,为了进一步达到推荐任务与社交网络分析任务的有效融合,提出矩阵分解与神经图嵌入模型联合学习的集成方法NGE-MF,以此实现评分预测与用户网络嵌入两种任务间的双向互动与协同优化。矩阵分解可以学得用户对项目的行为习惯,神经图嵌入可以充分挖掘用户的社会特性,通过将两者进行联合学习,使得用户隐特征能够进行统一优化,从而得到更符合实际应用需求的隐特征表示。最后,通过在叁个真实数据集上进行大量的对比实验与参数分析,结果表明两种结合范式的社交集成方案均取得了更优的推荐性能,有效的缓解了数据稀疏和冷启动问题,充分说明了所提出算法的合理性与有效性。
（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。
矩阵嵌入论文参考文献
[1].陈垠芬.基于矩阵填充与图嵌入表示的个性化推荐算法研究[D].江西师范大学.2019
[2].张洪磊.结合图嵌入与矩阵分解的社会化推荐系统研究[D].北京交通大学.2019
[3].张佳晖,张宇.基于矩阵分解和评论嵌入表示的推荐模型研究[J].浙江理工大学学报(自然科学版).2019
[4].朱东阳.《南方农村报》微信公众号矩阵嵌入叁农产业研究[D].河北大学.2018
[5].高瞻瞻,汤光明,王硕.基于贝叶斯网络模型和矩阵嵌入的VoIP隐写算法[J].计算机研究与发展.2018
[6].卜令涛,吴江寿.工业机器人元素嵌入电气自动化专业领域的分析——基于工作嵌入的六维度矩阵[J].电子技术与软件工程.2018
[7].李雪.基于流形嵌入的矩阵分解算法研究[D].南京理工大学.2017
[8].岳鹏.基于矩阵嵌入的自适应VoIP隐写方法研究及实现[D].南京理工大学.2017
[9].王华本,胡建明,鹿建银.基于嵌入式系统ZigBee传感器控制LED矩阵的设计与实现[J].长春师范大学学报.2016
[10].范方园,苏华友,刘丽芳.基于嵌入式多核处理器Epiphany的矩阵乘算法实现与评测[C].第十九届计算机工程与工艺年会暨第五届微处理器技术论坛论文集.2015