文献综述
1. 国外研究现状在基于情感分析的信息推荐的相关研究中,Rao 等[1]通过词极性检测问题的研究,提出了基于图的半监督学习方法对词极性进行转换,实现了根据词语义倾向的模糊推荐在电子商务个性化推荐的相关研究中,Huang Z 等[2]对协同过滤算法在电子商务领域个体隐私容易泄露的问题提出了 three algo-rithms 来解决如何从稀疏性的推荐数据库中筛选敏感词汇,实现对用户隐私的保护Chen G 等[3]建立个体指纹与基因之间的关联,使用基于 spark 框架的图形处理单元尝试从基因的角度精确的建立人体健康信息档案来反映用户信息全貌 MYHAl-Shamri[4]在研究众多人口推荐系统方法(DRS)的基础上根据用户属性类型属性表示和分析方式对用户进行分析,并对每种方法的布局描述和适当的相似性计算方法进行了相关研究,为用户画像中难以提取的用户隐私的指标找到了一种可替代方案在基于机器学习推荐的相关研究中,麻省理工学院的 Lieberman[5]根据用户的兴趣模型实现了 Letizia 算法来为用户搜索提供辅助的智能推荐,从而为用户提供个性化的页面资源,提高了用户个性化搜索体验度2. 国内研究现状王莉[6]提出了一种基于情感标签的改进的协同过滤算法，从用户评论数据中自动抽取情感标签，结合情感标签和评分数据共同产生推荐结果，来缓解传统协同过滤算法的稀疏和冷启动问题。
夏明星［７］提出一种融合情感词频和主题维数拓展的方法，利用主题维度拓展和情感词频进行特征提取，用LIBSVM 进行分类，得到自动判别评论的情感极性，使用户通过评论极性分类直观的发现其他用户的反馈。
刘莉平［８］针对在浏览微博过程中无法判断问题的客观性时，提出了一种描述公众反馈信息的属性争议度，给出了争议度的概念并构建了争议度计算模型。
何炎祥［８］针对微博表情符号语义提出用于微博情感分析的一种情感语义增强的学习模型，有效增强MCNN捕捉情感语义的能力。
陈志明等［９］构建了基于用户基本属性、社交属性、兴趣属性和能力属性四个维度的动态用户画像模型，并对知乎网站 PM2.5 话题下 1303 位用户进行了实证分析；姜建武等人［１０］在大数据理论基础上提出构建行为－主题、主题－词汇及行为－词汇三位一体的数学模型，来研究基于用户画像的信息本体提取方法．采用包含对象、时间、地点、内容、行为和重返次数六方面内容的事件描述法计算本体权重，以此构建用户画像。
资料编号：[579901]
课题毕业论文、文献综述、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
