文献综述（或调研报告）：
1.推荐系统研究现状
Santosh Kumar、Varsha等人在Survey on Personalized Web Recommender System中提到介绍了推荐系统的发展历史，强调了推荐系统在现代生活中扮演着的重要角色，同时还讨论了推荐系统的发展情况及未来方向。[1]
Shokouh Dareshiri, Mahdi Farnaghi amp; Mohammadreza Sahelgozin等人在A Recommender Geoportal For Geospatial Resource Discovery And Recommendation中提到针对地理空间上的推荐系统提出了想法及思考，并进行了相应的实践。提出了一种基于奇异值分解（SVD）方法的混合推荐机制，以提供所需的预测和推荐能力，利用地理空间资源的空间属性以及用户的特征来提高建议的质量。[2]
肖诗伯、郭秀英等人在基于用户特征的文献个性化推荐系统研究中提到为帮助科研用户在学术数据库中更好的发现适合自身需求的文献，改善海量文献带来的“长尾效应”和“马太效应”。设计合理的文献推荐系统架构、详细的推荐引擎工作流程。以用户的科研统计学特征、行为特征、社交网络特征为研究对象，综合运用多种算法来增强和互补，并在算法中降低热门文献权重和惩罚高相关度文献。以此来达到优化推荐系统的作用。[3]
宋春芝、董晓蕾、曹珍富等人在高效可验证的隐私保护推荐系统中提到针对个性化推荐服务系统存在的隐私泄露问题，提出了一个高效可验证的隐私保护推荐系统，能在保护用户数据隐私的前提下，实现用户对云端计算出的推荐模型的正确性验证；利用脊回归实现对用户数据的拟合：利用Yao的混淆电路技术实现推荐模型的计算以及对模型的正确性验证。[4]
孟祥武、李瑞昌、张玉洁、纪威宇等人在基于用户轨迹数据的移动推荐系统研究的论文中提到了针对用户轨迹数据的推荐系统研究。从狭义的角度来看，轨迹数据是指连续采样的GPS数据。从广义的角度来看，在时空域存在连续性的序列，都可以称作轨迹。例如：在社交网络上的用户签到序列就可以认为是粗粒度的轨迹数据。广义轨迹数据具有时空异构性、连续与离散并存、时空项目的层次性不明显和分类不明确等特点，但是相比于GPS轨迹数据，广义轨迹数据来源广泛，蕴含丰富的信息，这给传统的移动推荐系统带来了巨大的机遇。与此同时，广义轨迹数据规模大、结构丰富，这也给传统的移动推荐系统带来了巨大的挑战。[5]
2.人脸识别研究现状
以上是毕业论文文献综述，课题毕业论文、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。
