融合注意力机制的双端知识图谱推荐算法
这是一篇关于推荐系统,知识图谱,注意力网络,邻域聚合,特征提取的论文, 主要内容为推荐系统可以在海量的信息中快速发现用户所需要的信息,全方位地扩大用户视角并推送用户所需的数据。针对推荐算法中存在因忽略用户与物品交互信息的重要性导致无法有效提取用户与物品信息的问题,提出融合注意力机制的双端知识图谱推荐算法(Double End Knowledge Graph Attention Networks,DEKGAN),根据用户与物品信息的不同点,设计双端注意力网络获取更有价值的邻域实体,更准确地计算用户偏好特征与物品特征。具体实现过程如下:首先根据用户的历史浏览记录和物品的知识信息构建两种知识图谱;其次根据用户端的需求设计基于用户的注意力网络,将用户的浏览记录输入到知识图谱中不断扩展用户的潜在兴趣,通过基于用户的注意力网络对三元组内部信息进行计算以更准确地获取用户的偏好信息;再次根据物品端的需求设计基于用户偏好的注意力网络,将物品信息输入到知识图谱内不断获取与用户喜好有关的物品信息,使用基于用户偏好的注意力网络指定更准确的传播方向;然后将计算得到的邻域信息聚合生成用户特征与物品特征;最后使用预测函数计算用户对物品的喜好概率。通过在Movie Lens-1M、Book-Crossing和Dianping-Food公开数据集中进行实验,采用AUC、F1、Precision和Recall指标进行评估,将该算法与KGCN、KGCN-LS、KCAN、CKAN等推荐算法相比较,在数据集Movie Lens-1M中,相比于最优算法AUC提升了2.1%,F1提升了2.3%;在数据集Book-Crossing中,相比于最优算法AUC提升了2.6%,F1提升了2.4%;在数据集Dianping-Food中,相比于最优算法AUC提升了2.6%,F1提升了2.9%。实验结果证明与其他基准算法相比,DEKGAN算法可有效提升推荐的准确率和可解释性。该论文有图23幅,表12个,参考文献62篇。
基于Transformer的图像去雾方法研究
这是一篇关于图像去雾,Transformer,注意力机制,U-Net网络,特征提取的论文, 主要内容为在雾霾情况下,拍照设备获取的图像质量下降,干扰计算机视觉任务,如目标检测、目标跟踪以及目标识别任务的进一步操作,图像去雾可以将有雾图像恢复为清晰图像,解决雾对其他任务的干扰,因此图像去雾任务具有重要的研究意义。现有去雾方法容易出现的失真、细节不清晰的问题,针对这些问题,提出结合空间注意力与Transformer的图像去雾方法。首先该方法使用浅层空间注意力与卷积共同构成浅层特征提取部分,注意力机制模型能够更好地学习通道间的空间特征,卷积块进一步提取雾的局部特征,接下来Transformer块用于提取全局特征信息,该方法提取全局与局部的有雾特征的能力。实验结果表明,提出的方法相较于AOD-Net和RT-Net方法,在评价指标PSNR、SSIM上平均提高了2.88、0.027、0.16、0.0036。鉴于大多数使用深度学习的去雾方法无法充分提取不同浓度的雾度特征,提出基于改进Transformer的图像去雾方法。首先该方法使用编码器,对图像的局部特征进行提取,然后改进的Transformer对全局特征进行提取,改进Transfomer块中使用雾度特征提取块替换了原来的前馈网络,雾度特征提取块可以提取不同浓度的雾,以提高去雾模型的能力,并对不同浓度的雾进行分析,最后通过解码器将图像细节恢复。实验结果表明,基于改进Transformer的图像去雾方法能够达到更好的降噪效果,提出的方法相较于的AOD-Net和RT-Net深度学习方法在评价指标PSNR和SSIM上平均提升了3.15、0.028、0.43、0.0047。该论文有图29幅,表9个,参考文献51篇。
基于高校学生数据的成绩预警研究及系统实现
这是一篇关于特征提取,成绩预测,成绩预警系统的论文, 主要内容为随着教育大数据的不断发展,越来越多的研究者投入到这一研究领域。成绩预测作为该领域的一个重要分支,成为了研究者们关注的热点。本文主要从学生的在校数据提取特征,建立成绩预测模型,并在此基础上设计实现成绩预警系统,用来帮助辅导员更好的管理学生的学习,帮助学生顺利完成学业。具体的工作内容如下所述:(1)本文通过ETL工具采集学生一卡通消费数据,图书馆门禁数据,图书馆借阅数据,校园网日志数据,从这些数据中提取学生的行为特征,如周内进馆天数,图书借阅次数,消费次数,早餐规律性等,将提取的这些特征与学生的成绩进行相关性分析,找出了影响学生成绩的特征。(2)本文基于Stacking集成学习方法构建成绩预测模型。因为数据是非均衡的,所以使用Smote算法对数据进行过采样操作。为了减少冗余的特征并提升模型的分类性能,使用TMGWO算法对数据进行特征选择,原始TMGWO算法使用准确率作为适应度函数,针对非均衡数据评估,本文对算法进行了改进,使用F1-Score作为TMGWO算法的适应度函数,来评估所选特征,通过对比实验验证改进的有效性。最后,本文构建的成绩预测模型在测试集上得到了87%的准确率和0.8的F1值。(3)本文根据构建的成绩预测模型设计并实现了成绩预警系统。该系统是基于B/S架构实现的,并且使用了前后端分离技术。该系统的主要用户为辅导员和学生。辅导员通过该系统可以查看学生的预警信息和历史成绩,当学生被预警时,辅导员可以通过该系统向学生发送邮件,提醒学生。学生通过该系统可以查看自己的成绩预警情况和历史成绩信息等。
基于用户评论信息的商品评估系统的研究
这是一篇关于商品评论,情感分析,特征提取,情感词典的论文, 主要内容为线上购物已成为了一种主流的购物方式,然而,消费者在线上购物时却面临着商品种类过于众多、商家质量良莠不齐等因素导致的购买抉择问题。电商平台上的用户评论信息中包含用户对所购商品的主观感受,因此能够为其他用户的购买抉择提供参考。但是,随着评论数量的增多,用户从中获取有用信息的时间成本和难度也越来越大。为此,本文希望采集用户评论信息,设计并实现了一个分析系统,通过情感分析的方法量化评论信息中的用户主观感受,进而对商品/商家进行定量评估。情感分析方法主要有基于机器学习和基于情感词典两类。前者主要针对文本的情感类别进行褒贬二分类或多分类,其中二分类由于分类粒度较粗所以不能满足定量评估的需求,多分类则由于需要质量较高的人工标注训练集所以成本较大;后者通过计算评论信息的情感强度值,可以实现更细粒度的量化。但是由于缺乏完备的中文情感词典,因而很难对中文评论文本进行充分挖掘。基于这些方法,现有研究在对商品进行总体评估外,还从多维度量化商品不同侧面的特征进行了研究,在对商品进行多维度地分析中面临的问题是商品维度特征空间的构建。在以上背景下,本文采集了天猫平台上的商品评论数据,通过专用的中文领域情感词典和商品特征空间的构建,设计了基于情感词典的多特征维度商品量化系统,从而实现了评论信息的充分利用以及对商品/商家的多维度及整体评估。在现有研究工作的基础上,本文有以下三个方面的提升:(1)本文总结了一个分词词典,词典中收录了结巴分词处理评论数据时不能正确识别的词语,提升了分词的准确性。(2)本文通过商品特征空间的建立实现了对商品的多维度评估。特征空间的建立是基于通用领域词模型,利用词频统计和相似特征聚类的方法实现的。(3)本文在构建了一个专用领域情感词典,实现了对评论数据中情感词的充分提取。专用领域情感词典的构建是在通用领域词典的基础上,增添领域情感词及其情感强度值,其中情感强度值是通过计算词语相似度得到的。最后,基于以上工作,本文设计了一个量化评估系统,通过计算每个特征维度上的情感强度值,通过对维度情感强度值的加权平均得出商品总体评价得分。实验结果表明,本系统对商家的量化评分结果与天猫平台给出的商家综合评分总体相符,并且本系统的评估维度更多,评分结果更为精细。
基于用户评论的推荐系统方法研究
这是一篇关于推荐系统,用户评论,特征提取,评论有用性的论文, 主要内容为随着互联网的发展,电子商务平台网站用户和商品数量急剧增加,用户的需求也是因人而异。推荐系统能帮助用户从海量的商品中找到喜欢的商品,改善用户购物体验的同时,也带来了巨大经济效益。传统推荐系统将用户对商品的评分信息作为输入,导致输入数据非常稀疏。解决数据稀疏性的常见方法是在算法中额外引入一些辅助信息作为输入。而用户评论文本包含丰富的语义信息,可以在一定程度上弥补数据稀疏问题。相比传统的推荐系统算法,基于深度学习的推荐算法能够直接从数据中提取特征,具备较强的抗噪能力,可以更加准确的学习用户和商品特征,近年来被广泛使用在各类推荐任务中。但是还存在一些不足:第一,基于卷积神经网络的推荐模型只能提取固定感受野的特征,然而不是所有特征都能被同一个感受野的卷积神经网络充分提取。第二,目前基于深度学习的推荐算法通常单独采用卷积神经网络或循环神经网络来提取评论特征,不能全面的表达用户和商品的特征信息;第三,没有考虑评论以及其中的单词对用户和商品建模的重要性不同。本文针对以上存在的问题,提出了相应的解决方法,主要研究内容如下:第一,针对卷积神经网络提取评论特征时只能捕捉单一感受野的单词信息,本文利用门控机制,自适应的提取多个卷积神经网络提取的评论特征;第二,针对单独使用卷积神经网络或循环神经网络不能全面提取评论局部信息和全局信息的不足,本文通过自适应卷积神经网络提取评论局部特征,使用门控循环单元(GRU)或Transformer提取全局特征,融合局部和全局提取的特征,更好的表示评论信息;第三,为了更好的评估用户评论对建模用户和商品特征的重要性,本文采用基于多层级注意力机制对评论进行有用性评估,以衡量不同评论以及评论单词对建模的影响;本文通过对用户评分和评论数据进行特征提取,构建了端到端的基于深度学习的评分预测推荐模型,在5个Amazon公开的商品评论数据集上效果对比基线模型提升了2.93%-6.26%,实验结果证明了本文提出模型的合理性。
基于宽带信息的中段弹道目标特征提取方法研究
这是一篇关于中段弹道目标,特征提取,一维距离像,散射中心,状态空间模型,进动角,进动周期的论文, 主要内容为中段弹道目标特征提取是进行目标识别的关键环节之一,在弹道防御中发挥着重要作用。本文以弹道导弹中段防御为研究背景,研究了基于宽带信息的中段弹道目标特征提取方法。 首先介绍了课题研究背景及意义,综述了国内外相关技术发展的现状,然后介绍了论文的主要工作和结构安排。 根据中段弹道目标结构特性在高分辨一维距离像和二维ISAR像中的反映,论文第二章研究了基于状态空间模型(SSM)的一维散射中心参数提取方法,提出了基于SSM的散射中心数目估计方法,对SSM算法和矩阵束(MP)算法性能进行了比较分析,并在此基础上研究了目标的径向尺寸和真实尺寸估计方法;对中段目标二维ISAR成像信号进行了分析,提出了基于二维SSM算法的中段目标二维散射中心参数提取方法。 进动是中段弹道导弹特有的运动方式,它是区分弹头和弹头状诱饵的重要依据。论文第三章从中段弹道导弹的运动特点出发,提出了利用目标一维距离像的相关性估计目标进动周期以及利用目标径向尺寸的变化规律估计目标进动角的方法,并分析了影响进动周期和进动角估计的参数。本文提出的各种方法分别采用了仿真、暗室数据进行了验证,实验结果验证了算法的有效性。 论文第四章对全文进行了总结,指出了论文的主要创新之处,尤其对今后的进一步研究提出了一些参考意见和想法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设港湾 ，原文地址：https://m.bishedaima.com/lunwen/45499.html
