融合不完整多视图的异质信息网络嵌入方法

异质信息网络(Heterogeneous Information Network,HIN)嵌入将复杂的异质信息映射到低维稠密的向量空间,有利于网络数据的计算和存储.现有的基于多视图的HIN嵌入方法考虑了节点之间的多种语义关系,但忽略了视图的不完整性.大多数视图存在数据缺失,直接融合多个不完整的视图会导致嵌入效果不佳.为...     

多视图融合TextRCNN的论文自动推荐算法

传统论文自动推荐算法仅从单视图角度实现分类,缺乏特征融合及多视图语义知识,上下文信息和长距离依赖利用不明显,较难挖掘到深层次文本特征,从而限制学术论文推荐的准确度。针对这些问题,提出了一种基于多视图融合TextRCNN的论文自动推荐模型,该模型融合论文标题、关键词和摘要三个视图特征,利用卷积神经网络(CNN)、双向长短时记忆网络(BiLSTM)和注意力机制构建模型,实现对不同学科方向论文的自动分类及推荐。实验结果表明,设计的论文推荐模型在精确率、召回率和F₁值上均有所提升,比机器学习方法平均提高3.40%、3.57%和3.49%,也优于单视图和已有经典的深度学习方法。该方法有效利用多视图知识和上下文语义信息,提高论文推荐的准确率,进而节约科研工作者检索所需论文所花费时间和精力,进一步提高科研人员的效率,推荐符合其研究需求的学术论文,具有良好的学术价值和应用扩展。     

基于差异信息融合算法的网络资源信息优化搜索途径探究

由于不同属性的网络资源信息无法融合,造成用户无法访问其它属性的网络资源信息搜索。为了避免造成网络资源信息搜索孤立点的现象,本文建立统一的网络基础结构,设置网络资源信息搜索三层结构,基于差异信息融合算法的网络资源信息搜索优化方式,将用户申请进行有效处理,根据用户申请,从海量信息中搜索用户需要的信息,并将其传递到客户端。实验证明,该算法有效提高了差异化网络资源平台的信息搜索效率。     

基于多特征融合的电影推荐方法

在电影推荐系统中,用户信息和电影内容及用户的行为信息对推荐结果有着至关重要的作用.为提高电影推荐的准确率,文章利用上述信息提出了多特征融合的电影推荐方法.首先,基于深度神经网络提取了用户特征和部分电影内容特征,针对电影内容的海报,利用卷积神经网络提取了海报特征.其次,将用户、电影和用户兴趣特征进行融合,建立了多特征融合...     

异质信息融合网络嵌入的注意力偏好推荐方法

基于异质信息网络的推荐方法已成为当前数据挖掘领域的研究热点。但传统基于异质信息网络的推荐方法多存在可解释性缺失和稀疏不一致性问题,导致无法充分挖掘用户潜在的偏好特征,且有效地进行特征融合。因此,提出了一种在异质信息网络中融合网络嵌入的注意力偏好推荐方法（MFFHINE）;利用对称元路径在刻画对象间语义关系上的优势,在对称元路径上随机游走进行网络嵌入来学习用户偏好特征。采用基于注意力机制的偏好权重融合策略将学习到的各个偏好特征有效融合,并将其集成到矩阵分解模型中。通过联合优化矩阵分解模型和融合函数,以进行最终的评分预测任务。在Douban和Yelp真实大规模数据集上对提出的算法进行实验分析。通过对各基准算法进行横向性能比较,在训练集比例、元路径设置、潜在因子维度等方面进行纵向比较。实验结果表明,MFFHINE性能提升显著。     

多特征融合短会话推荐模型

多数会话推荐系统研究都聚焦于长会话推荐而忽略短会话.但是在实际情况下,短会话信息却占据大多数.由于短会话包含的信息有限,如何从短会话中学习更丰富的用户偏好和更精确地找到相似上下文会话成为一个急需解决的问题.为此,文中提出多特征融合短会话推荐模型.首先,通过邻域聚合和循环神经网络分别学习会话的节点特征和序列特征.再使用自定义的相似度计算公式检索当前用户历史会话和其他用户会话作为上下文,缓解短会话信息稀少的问题.然后,利用位置感知多头自注意力网络充分发掘会话的隐藏特征.最后,模型以多特征融合的当前会话为依据推荐下一个项目.在两个真实数据集上的实验表明文中模型在指标值上都较优.本文模型代码地址为http://github.com/ScarletHK/MFF-SRR.     

基于多特征融合的电影推荐系统

协同过滤算法（CF）根据用户-物品的评分矩阵做推荐，未考虑物品自身属性。本文将MovieLens数据集上的电影属性，作为影响推荐结果的因素，融合电影的简介、评论、评分、导演和演员等多种因素，进行推荐。使用CNN（卷积神经网络）和Word2Vec（Word to Vector,词向量模型）处理电影简介；使用AFINN（Finn rup Nielsen情感词典）处理评论，并对结果进行映射；对导演和演员数据进行建模，得到该因素下的预测评分，最后将各因素下的结果进行加权融合，通过调整权重，得到最佳效果。经验证，该方法的推荐性能优于传统的CF算法。     

基于多粒度特征和混合算法的文档推荐系统

文库系统对信息的传播利用有着重要的作用, 但在文库系统中出现信息过载问题后, 数据的利用率会大大降低. 针对该问题提出了一种基于多粒度特征和混合算法的文档推荐系统, 系统在短语和词语两个粒度上对用户兴趣及文档特征进行建模, 综合基于内容推荐算法及协同过滤算法, 为用户生成兴趣列表. 系统测试数据表明, 系统在准确率、召回率、覆盖率、新颖度等指标上均有较为优异的表现, 其为用户推荐的文档较符合用户实际偏好, 有助于提升文库系统的数据利用率, 改善用户体验.     

基于综合因素的服装智能推荐算法研究

个性推荐算法在各类电商系统商品推荐,特别是图书推荐和电影推荐中得到了广泛应用与落地,服装的推荐也取得了比较好的效果。但是,基于个人衣橱的并结合当天的天气、特殊场合等实际因素的动态推荐系统的应用却比较缺乏,本文搭建了用户和服装两个模型,提出了一种基于综合因素的服装智能推荐算法,可以很好的解决人民日常服装的穿搭问题,具有极大的应用前景。     

融合多信息的跨域推荐算法

针对目前跨域协同过滤算法仅通过评分矩阵相似性进行信息提取推荐,并未利用数据中含有的更多信息,从而导致推荐结果不理想的情况。提出一种融合多信息的改进跨域协同过滤算法。算法通过改进传统跨域协同过滤中的信息提取方式,融入了数据源中的时间与类型信息,提高了信息提取的精度与推荐的准确性。通过在MovieLens数据集与豆瓣数据集上进行对比实验,结果表明,跨域推荐算法能够在多域间进行信息传递,融入了多信息的跨域推荐算法能更为有效地提升推荐的准确性。     

面向HIN基于多视角嵌入融合的推荐方法

由于异构信息网络具有丰富的语义信息而在推荐任务中得到广泛应用.传统的面向异构信息网络的推荐方法忽略了网络中关联关系的异质性,以及不同关联类型之间的相互影响.本文提出了一种基于多视角嵌入融合的推荐模型,分别从同质关联视角和异质关联视角来挖掘异构信息网络的深层潜在特征并加以融合,有效地保证了推荐结果的准确性.针对同质关联视角,提出了一种基于图卷积神经网络的嵌入融合方法,通过对同质关联作用下节点邻域信息的轻量式卷积,实现节点嵌入的局部融合.针对异质关联视角,提出了一种基于注意力的嵌入融合方法,利用注意力机制来区分不同关联类型对节点嵌入的影响,实现节点嵌入的全局融合.通过实验验证了本文所提出的关键技术的可行性和有效性.     

属性公平的异质信息网络上的社区搜索算法

近年来,异质信息网络上的社区搜索问题已经吸引了越来越多的关注,而且被广泛应用在图数据分析工作中.但是现有异质信息网络上的社区搜索问题都没有考虑子图上属性的公平性.将属性的公平性与异质信息网络上的kPcore挖掘问题相结合,提出了基于属性公平的异质信息网络上的极大core挖掘问题.针对该问题,首先提出了一个子图模型FkPcore.当对FkPcore进行枚举时,基础算法Basic-FkPcore遍历了所有路径实例,并枚举了大量k Pcore及其子图.为了提高算法效率,提出了Adv-FkPcore算法,以避免在枚举FkPcore时对所有的kPcore及其子图进行判断.另外,为了提高点的P＿neighbor的获取效率,提出了结合点标记的遍历方法(traversalmethod with vertex sign, TMS),并基于TMS算法提出了FkPcore枚举算法Opt-FkPcore.在异质信息网络数据集上进行的大量实验证明了所提方法的有效性和效率.     

基于动态用户画像的信息推荐研究

针对传统信息推荐方式精度偏低的问题,引入用户画像作为推荐基础,在深入研究文本分类和用户行为后,提出一种基于动态用户画像的推荐方法.该方法通过动态分析用户历史数据,预测用户的兴趣变化趋势,从而实现动态推荐.离线实验证明,该方法在预测用户偏好变化方面具有一定优势,相较于传统的基于标签的信息推荐,提高了推荐精度.     

一种多特征融合的软件开发者推荐

软件开发者能力评价和协作关系推荐是大数据环境下软件智能化开发领域的一个研究热点.通过分析互联网开发者社区和企业内部开发环境,设计出基于模糊综合评价的开发者能力模型;随后,通过挖掘开发者与任务的动态交互行为、静态匹配度以及开发者能力三个不同维度的特征并结合矩阵分解技术,提出一种能力与行为感知的多特征融合协同过滤开发者推荐方法,最终解决开发者推荐面临的评价矩阵稀疏性和冷启动问题,提升个性化精准推荐效率.从系统层面给出适合大数据环境的多特征融合开发者推荐原型系统实践及对现有开源技术框架的优化改进,实验过程分别基于互联网问答社区StackOverflow和企业内部GitLab环境进行了实验分析.最后,对未来研究可能的问题及思路进行了展望.     

基于用户信息向量聚类和改进SAMME的推荐算法

针对目前主流的推荐算法中获取的用户信息不完整以及推荐时间过长的问题,本文提出一种基于用户信息向量聚类和改进SAMME的推荐算法,该算法通过分析用户基本信息(地域、时间、兴趣、标签等),找出用户信息关键词;对不同用户信息关键词基于TF-IDF方法进行加权构建用户信息向量;接着使用K-means算法进行用户聚类分析,将用户聚类结果作为改进SAMME训练样本集;最后通过改进SAMME算法将预测结果对用户进行好友推荐,并在训练过程中保存模型,大大减少推荐时间。最终将本文算法在真实的微博用户数据集上进行实验,并与其他主流算法进行对比,结果显示本文算法在准确率、召回率、F值上都取得了不错的效果。     

基于迁移学习的卷积神经网络通道剪枝

卷积神经网络在计算机视觉等多个领域应用广泛,然而其模型参数量众多、计算开销庞大,导致许多边缘设备无法满足其存储与计算资源要求。针对其边缘部署困难,提出使用迁移学习策略改进基于BN层缩放因子通道剪枝方法的稀疏化过程。本文对比不同层级迁移方案对稀疏化效果与通道剪枝选取容限的影响;并基于网络结构搜索观点设计实验,探究其精度保持极限与迭代结构的收敛性。实验结果表明,对比原模型,采用迁移学习的通道剪枝算法,在精度损失不超过0.10的前提下,参数量减少89.1%,模型存储大小压缩89.3%;对比原剪枝方法,将剪枝阈值从0.85提升到0.97,进一步减少参数42.6%。实验证明,引入迁移策略更易实现充分的稀疏化,提高通道剪枝阈值选取容限,实现更高压缩率;并在迭代剪枝的网络结构搜索过程中,提供更高效的搜索起点,利于快速迭代趋近至搜索空间的一个网络结构局部最优解。     

基于异构信息网络的推荐系统

随着互联网、计算机等技术的深入发展,互联网为用户带来了各类网络服务用于增进用户交流。其中,问答社区为用户提供了提问和回答的交流平台,其目的是通过互联网实现用户间的知识经验分享和信息传播。但仍存在一些问题限制问答社区的发展,例如随着用户数量的不断增长,大量问题得不到及时回答且提问者对已有问题的回答并不满意。因此,对于问答社区来说,如何从大量的用户中找到专家用户是非常重要的。针对以上问题,本文提出一种基于异构信息网络的推荐方法,首先对问答社区中的问题属性和用户属性建立异构信息网络,利用元路径来捕捉异构信息网络中丰富的语义信息,然后使用基于元路径的相似度计算方法分别计算问题与用户的相似度矩阵,采用3种方式将得到的相似度矩阵与问题-用户评分矩阵相融合,然后使用矩阵分解获得问题和用户的潜在特征,最后使用因子分解机进行训练和推荐。在海川化工问答数据集上将本文提出的方法同多种先进的推荐算法进行对比,并利用评价指标对模型进行评估。实验结果表明,本文提出的算法在相关评估指标方面相较于之前的算法具有一定优势。     

基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题, 本文提出了一种基于异质信息网络的推荐模型. 传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息, 这样使得知识推荐系统性能较为一般. 本文提出的模型在异质信息网络中设置元路径, 通过图神经网络融入到知识图谱表示学习中. 再利用注意力网络连接推荐任务和知识图谱表示任务, 其可以学习两个任务之中潜在的特征, 并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用. 最后在推荐任务中进行用户点击率预测. 模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验. 最后结果表明, 模型在AUC, 召回率和F1值3个指标上均比其他算法有更好的表现.     

信息融合技术发展与融合算法研究

信息融合技术是当前及未来计算机领域的一项研究重点和热点,论文介绍了信息融合技术的形成与发展,总结了信息融合的功能模型,重点介绍了各种信息融合中检测、分类和识别算法,最后对信息融合存在的问题予以了概括,对以后工作的方向给出了作者自己的看法.