5篇关于门控图神经网络的计算机毕业论文

今天分享的是关于门控图神经网络的5篇计算机毕业论文范文, 如果你的论文涉及到门控图神经网络等主题,本文能够帮助到你

基于图神经网络的目标检测与识别算法研究

这是一篇关于图像检测,图卷积网络,门控图神经网络,知识图谱,超像素的论文, 主要内容为图神经网络(Graph Neural Network)是一种作用于图状数据结构上的深度神经网络。本质上,图神经网络通过了图节点之间的信息传递,从而捕捉到全局图的结构信息。其中,每个节点在其卷积层中聚合了来自邻居节点的特征。本文将图神经网络方法应用于计算机视觉领域中的目标检测与识别任务之中。该任务要求定位特定图片中物体的位置,并通过识别算法给出物品的类别标签。目前,常用的目标检测与识别模型往往基于卷积神经网络(Convolutional Neural Network),该类模型大多仅能通过分析图片底层的像素信息进行物体的定位与分类识别。而基于图神经网络的方法能够依靠图片的空间位置或者语义信息对物体进行检测。该类算法的好处在于通过构建图状数据结构(如空间图,知识图谱,超像素图),模型能够获得额外特征。而这些特征又能辅助提高目标检测与识别的精准度。因此,本文提出了多个算法并深度讨论了图神经网络在目标检测与识别上的应用。首先,本文提出了基于图像空间信息的图神经网络算法。该网络通过依靠图像自身的物体空间关系,对物体的类型以及具体位置进行合理的判断。模型采用了双通道结构,以U-NET为像素模块提取图像像素信息,并以图卷积网络提取图像空间关系。最后通过一个特殊的门控机制将两个特征相互融合得到最终的输出。其次,本文提出了基于超像素的残差图神经网络算法。该算法通过聚类图像中的像素点,将大规模的像素数据转化为几十个超像素块实现了任务规模的压缩。模型通过超像素块的位置与像素关系构建超像素图。并采用了基于残差的图神经网络结构,解决了图神经网络的过平滑问题。实现了对目标的检测任务。本文还提出了基于知识图谱的门控图神经网络算法。通过知识图谱进行语义级别的推理,实现了对难以识别的物体的精准判别。模型还通过研究知识图谱上点的相似度,提出了语义一致性模型,该模型能够更为精准的判定图像是否适合进行知识推理,以此进一步提高模型的识别性能。最后,本文基于COCO数据集以及VG数据集设计了多个对比实验。数据表明,基于图像空间信息和基于知识图谱的目标检测与识别模型在识别性能上较基线模型有大幅的提升。而基于超像素的目标检测与识别模型也能有效减少模型的浮点运算量,减小模型的复杂程度。

基于双编码器的个性化会话推荐系统研究

这是一篇关于深度学习,会话推荐,门控图神经网络,编码器-解码器的论文, 主要内容为大数据和深度学习技术的兴起,使得智能推荐系统已经深入到了人们生活的方方面面。当用户在访问网站时,网站后台的服务器通常会以会话(Session)的形式记录用户在一段时间内的访问记录。针对会话记录构建的推荐系统通常被称为会话推荐系统(Session-based Recommendation System),是推荐系统的一个分支。会话推荐的目的是根据用户此前的点击序列预测其下一步可能感兴趣的物品,并推荐给用户访问,从而为用户提供更好的服务。以往的会话推荐系统通常会将每一个会话看作是一个序列,然后采用基于循环神经网络的模型对会话进行建模,因此此类模型通常无法完备的捕捉海量物品之间复杂的转移特性。而且此前的研究通常认为所有的会话都是匿名的,因此将每个会话都看作是独立的,从而忽略了不同用户的不同兴趣对推荐结果带来的影响。基于以上两点考虑,提出了基于双编码器的个性化会话推荐模型(Personalizing Session-based Recommendation with Dual Encoders,PSRDE),该模型采用了编码器-解码器结构,编码器部分包含有会话编码器和用户编码器,分别对当前会话记录和当前用户的历史会话记录进行建模,从而分别得到当前会话目的的特征表示和当前用户偏好的特征表示。在解码器中,将编码器输出的多个特征融合得到最终的特征向量,然后通过计算即可得到推荐物品列表。PSRDE模型在解决会话推荐问题时,使用了能够提取更多信息的门控图神经网络对会话进行建模,而且在建模时不仅使用了当前的会话特征,还考虑了用户的个人偏好特征,因此该模型能实现更好的推荐效果。为了验证PSRDE模型的有效性,使用两个真实的数据集进行一系列对比实验,其中包括PSRDE与其他基线算法模型的对比实验,以及PSRDE在不同参数条件下的对比实验,实验结果表明PSRDE模型的推荐效果相比于其他模型有了一定的提升,从而验证了PSRDE模型的有效性。

基于双编码器的个性化会话推荐系统研究

基于图神经网络的推荐算法研究及其应用

这是一篇关于图神经网络,推荐系统,图表示学习,注意力机制,门控图神经网络的论文, 主要内容为推荐系统可以为用户提供感兴趣的推荐项目,在互联网应用中起到重要作用。而图神经网络作为一种新兴的图表示学习方法,可以基于图的结构为用户和项目生成低维特征表示,进而为推荐系统提供包含节点邻居结构信息的特征输入。因此,基于图神经网络的推荐系统具有重要的研究价值和应用前景。近年来,针对图神经网络在推荐系统中的应用研究成果颇多,但其中不少方法仍然存在下列问题:1.针对邻居节点的均匀采样方法可能会忽略掉重要邻居提供的信息;2.没有为评分预测提供合适的可学习参数,限制了图神经网络在推荐任务中的性能表现;3.没有考虑推荐系统中评分图邻居结构存在的时序特性;4忽略了图神经网络中间层输出的浅层结构特征。针对上述问题,本文完成了如下工作:1.提出了一种基于评分可信度采样的图神经网络模型。该模型包括:1)一种基于评分可信度的邻居采样方法,该方法同时考虑了评分图结构中评分的时间信息和节点的度,使得采样过程可以偏向那些更有价值的节点。2)一种基于注意力机制的评分预测方法,衡量了用户和项目的特征表示各个维度在评分预测任务中的重要程度,使得图神经网络在推荐系统中的应用效果得到改善。在六个公共数据集上验证了该模型的有效性:与现有的几种基线模型相比,该算法的MSE损失值最多可以减少27.89%,MAE损失值最多可以减少26.01%。2.提出了一种基于有序输入的门控图神经网络模型。该模型可有效应用于推荐系统。该方法的主要贡献包括:1)关注节点邻居结构的时序特性。让邻居节点按照时间顺序输入到门控图神经网络,进而利用其上下文关系捕获能力捕获邻居结构中的时序特征。2)关注中间层输出的浅层状态输出。采用多头注意力机制融合多层状态输出信息,让中间层提供的浅层结构特征更好地参与到评分预测任务中来。在六个实际数据集上验证了模型有效性:相对于最优基线,模型在其中四个数据集上降低的MSE损失分别为13.36%,8.03%,27.49%和2.52%。3.最后,将两种网络表示学习方法应用于推荐系统,实现书籍推荐。首先对书籍数据进行分析和预处理,搭建出基于评分的推荐系统环境,基于图神经网络为用户和项目生成特征向量表示;然后进一步实现评分预测,根据预测评分的排序结果为系统中的用户推荐若干个项目;系统前后端分离,采用基于Django的后端开发框架和基于VUE与Bootstrap的前端开发框架。