社交图增强的神经协同过滤推荐
这是一篇关于推荐系统,多任务,图卷积,社交推荐的论文, 主要内容为伴随着互联网技术的迅速发展,我们迎来了信息爆炸的时代。我们在享受获取信息便利性的同时,同样苦恼于如何从大量的信息数据中快速准确地获得自己真正需要的信息。近年来,推荐系统作为有效解决信息泛滥的手段引起了国内外大量研究人员的关注。其中,协同过滤(Collaborative Filtering,CF)方法通过利用用户的历史交互信息来挖掘用户的兴趣偏好,获得了巨大成功。然而,基于CF的方法通常存在数据稀疏性和冷启动问题。为了解决这些局限性,研究者指出可以在CF中加入一些辅助信息,如社交网络、属性、上下文等。另一方面,现有的研究已经证明,传统的协同过滤方法可能不足以获得到深层的语义丰富的嵌入。针对现有方法的不足之处,本文的研究内容包括:(1)研究了基于多任务的社交推荐模型。针对CF存在的数据稀疏性和冷启动的问题,我们提出了一种融合社交网络和知识图谱的深度学习模型。该模型主要包括两个模块:推荐模块和知识图嵌入模块。其中推荐模块通过共享用户社交特征空间实现用户的点击率预测。知识图谱嵌入核心目标是在将知识图谱中的实体和关系映射到低维向量空间的同时,仍保留其结构信息。采取多任务学习范式,利用两个相关任务中共同包含的有用信息来帮助提高整个模型的泛化性能。通过实验对比分析,证明了本文所提模型与其他基线相比具有更好的性能。(2)研究了基于图卷积的社交推荐模型。针对CF方法不能捕捉到用户-物品之间深层的语义信息,本文提出了一种新颖的基于图卷积的端到端的推荐框架。该推荐模型在重建用户-物品的交互时,显式建模用户-物品、用户社交网络以及物品协同相似网络三者之间的高阶连接性来提高嵌入表示。通过堆叠多层嵌入传播层,有效地捕捉到社交网络和物品协同相似网络中用户的潜在偏好。此外,利用门控机制进行特征融合,可以捕捉到节点的深层语义信息。通过实验对比分析,证明了本文所提模型在实验结果上优于现有的部分模型。(3)设计并开发了一个用于商品推荐的在线平台。平台支持新用户通过注册界面进行个人账号的注册,从而使用账号密码的方式进入并使用该平台。普通用户可以使用平台所提供的社交好友关联服务和商品推荐服务。管理员用户可以调用后台监控功能实时掌握普通用户对系统的使用情况。综上,本文分别从多任务训练和高阶连通性两个角度利用社交关系,并提出了两个基于深度神经网络的推荐模型。实验结果证明了本文所提模型在性能表现上优于其他模型。最后本文基于所提出的模型,开发了一个用于商品推荐的在线商品推荐平台。
社交图增强的神经协同过滤推荐
这是一篇关于推荐系统,多任务,图卷积,社交推荐的论文, 主要内容为伴随着互联网技术的迅速发展,我们迎来了信息爆炸的时代。我们在享受获取信息便利性的同时,同样苦恼于如何从大量的信息数据中快速准确地获得自己真正需要的信息。近年来,推荐系统作为有效解决信息泛滥的手段引起了国内外大量研究人员的关注。其中,协同过滤(Collaborative Filtering,CF)方法通过利用用户的历史交互信息来挖掘用户的兴趣偏好,获得了巨大成功。然而,基于CF的方法通常存在数据稀疏性和冷启动问题。为了解决这些局限性,研究者指出可以在CF中加入一些辅助信息,如社交网络、属性、上下文等。另一方面,现有的研究已经证明,传统的协同过滤方法可能不足以获得到深层的语义丰富的嵌入。针对现有方法的不足之处,本文的研究内容包括:(1)研究了基于多任务的社交推荐模型。针对CF存在的数据稀疏性和冷启动的问题,我们提出了一种融合社交网络和知识图谱的深度学习模型。该模型主要包括两个模块:推荐模块和知识图嵌入模块。其中推荐模块通过共享用户社交特征空间实现用户的点击率预测。知识图谱嵌入核心目标是在将知识图谱中的实体和关系映射到低维向量空间的同时,仍保留其结构信息。采取多任务学习范式,利用两个相关任务中共同包含的有用信息来帮助提高整个模型的泛化性能。通过实验对比分析,证明了本文所提模型与其他基线相比具有更好的性能。(2)研究了基于图卷积的社交推荐模型。针对CF方法不能捕捉到用户-物品之间深层的语义信息,本文提出了一种新颖的基于图卷积的端到端的推荐框架。该推荐模型在重建用户-物品的交互时,显式建模用户-物品、用户社交网络以及物品协同相似网络三者之间的高阶连接性来提高嵌入表示。通过堆叠多层嵌入传播层,有效地捕捉到社交网络和物品协同相似网络中用户的潜在偏好。此外,利用门控机制进行特征融合,可以捕捉到节点的深层语义信息。通过实验对比分析,证明了本文所提模型在实验结果上优于现有的部分模型。(3)设计并开发了一个用于商品推荐的在线平台。平台支持新用户通过注册界面进行个人账号的注册,从而使用账号密码的方式进入并使用该平台。普通用户可以使用平台所提供的社交好友关联服务和商品推荐服务。管理员用户可以调用后台监控功能实时掌握普通用户对系统的使用情况。综上,本文分别从多任务训练和高阶连通性两个角度利用社交关系,并提出了两个基于深度神经网络的推荐模型。实验结果证明了本文所提模型在性能表现上优于其他模型。最后本文基于所提出的模型,开发了一个用于商品推荐的在线商品推荐平台。
基于深度学习的维度情感识别方法研究
这是一篇关于维度情感识别,时空特征提取,时间注意力,多模态,多任务的论文, 主要内容为维度情感识别任务通过识别给定的图像、视频或者语音信息来定量描述人的心理状态,从而实现计算机对人类心理状态的自动识别,这使得计算机能够给人类提供更有意义的服务,传统方法中使用手工特征的识别方法对于大规模数据缺乏泛化建模能力。而基于深度神经网络的方法在特征提取以及高维特征处理方面具备显著的优势,因此目前维度情感识别任务通常基于神经网络,本文主要研究内容如下:(1)提出一种基于Res Net和优化RNN的维度情感识别方法,优化RNN的方式分为LSTM和GRU两种,利用级联结构完成特征提取,避免维度增加带来的模型复杂度和预训练困难的问题,在Aff-Wild2和AVEC2016数据集上展开实验验证所提方法的有效性,并对两种方法进行对比分析。(2)提出一种基于Res Net和优化TCN的维度情感识别方法,在TCN网络中加入时间注意力模块捕捉序列内部特征点的关系,并通过双膨胀卷积结构解决TCN浅层网络感受野小以及深层网络无法感知局部信息的问题。实验结果表明,该方法具有良好的情感识别性能。(3)提出一种基于多任务和多模态的维度情感识别算法,利用不同情感表征之间的内在关联,以情感分类任务辅助维度情感识别任务。并采用基于Leader-Follower思想和注意力机制的特征融合方法来融合音频特征以及视频特征。实验结果表明,该方法取得了优秀的识别效果。本文提出的网络模型分别在Aff-Wild2和AVEC2016上进行了实验测试,平均识别精度分别为0.624和0.701,与其他主流的维度情感识别模型进行比较,发现本文模型具有更高的识别精度。
基于物联网的石油产品智能检测终端设计与实现
这是一篇关于智能终端,物联网,信号采样,温度控制,多任务的论文, 主要内容为随着社会工业的不断发展,已经由机械化、自动化进入工业4.0时代,即以物联网为代表的信息化时代。在这种浪潮下,石油领域设备在互联网+的大背景下,急需由单纯的机械化向自动化、自动化向信息化、信息化向智能化加速升级。相对于通信、计算机的迅猛发展,石油领域设备明显滞后。因此研发智能创新型的自动化石油设备在当今市场占有举足轻重的地位。根据工业4.0的万物互连的物联网框架,在升级检测设备自身测量精度的同时,还需要对其进行信息化改造,从而解决当前石油产品检测设备功能少、扩充能力弱、需人工值守、检测模型单一、数据封闭等问题。本论文在充分分析工业互联网+拓扑结构的前提条件下,重点研究石油产品检测仪器功能需求,设计具有Wi-Fi/BT等多种无线传输接口、功能可随意扩充的集硬件与实时操作系统与一体的通用核心模块。针对石油检测仪器温度精度在零下-30℃条件下±0.1℃的高要求,利用工业级温度传感器PT100,通过设计温度信号变送电路,将微弱信号放大,同时抑制电路内部热噪声与外部干扰;并提出自适应采样策略,有效降低高速采样时多通道间信号串扰的影响;同时,在评估多种方案的基础上,采用卡尔曼滤波算法有效降低采样芯片内部噪声的影响;为达到智能终端对温控的精度要求,通过对PID控制、Smith预估控制、Dahlin控制等多种算法的仿真对比,最终发现Dahlin控制算法对滞后性较大的控制系统具有较好的控制效果。在软件方面,由于智能终端相对于传统的检测终端,传统逻辑时序的控制,已难以满足日趋复杂的控制节点需求,因此我们通过采用多任务嵌入式实时操作系统,将不同功能划分到不同任务,不同任务间相互协调,有效降低了智能终端开发的周期和复杂度;为方便用户通过应用程序等对设备实现控制与信息获取,根据不同需求,设计了高效的通信协议。最后,我们将这种集软硬件一体的通用核心模块,应用在测定发动机机油粘度的系统之中加以验证,并纳入物联网架构,从终端节点、接入网、中间件、应用软件四个方面入手,实现了一整套集前端高精度信号采集、无线信号传输、后台信息汇集、远程操控等功能于一体的系统。
基于深度神经网络的人脸属性识别算法研究
这是一篇关于人脸属性识别,多标签,多任务,生成式对抗网络,自监督学习的论文, 主要内容为近年来,人脸属性识别已经成为计算机视觉和模式识别领域的研究热点之一。人脸属性识别任务可以定义为:给定一张人脸图像,对其中的性别、微笑、魅力等属性做出判断。人脸属性识别在图像检索、人脸识别、微表情识别、图像生成和推荐系统等领域都有很广泛的应用。然而,现实应用中,人脸姿态、光照强度等干扰因素都会严重降低人脸属性识别的准确率。传统的人脸属性识别算法需要人工设计属性特征进行识别,而基于深度学习的算法通过网络自动学习,可以在单个网络框架下训练多个属性特征,不仅属性表征性能更强,而且节省了大量时间。因此,研究基于深度学习的人脸属性识别算法富有理论价值和现实意义。本文的主要工作具体如下:(1)我们提出了一种基于深度多任务多标签卷积神经网络的人脸属性识别算法(DMM-CNN)。DMM-CNN联合训练两个相关的人脸任务(人脸特征点检测和人脸属性识别)来提高属性识别性能。针对不同属性有不同学习难度的问题,我们将人脸属性划分为两组:客观属性和主观属性,并设计了不同的子网络来分别提取两组属性的特征。在训练过程中,我们提出了一种新颖的动态权重策略来更新训练过程中每个属性的权重。此外,我们还提出了一种自适应阈值策略来有效缓解人脸属性数据集中出现的不平衡问题带来的影响。DMM-CNN算法在CelebA和LFWA数据集上分别达到了 91.70%和86.56%的准确率,超过了一些主流的人脸属性识别算法。(2)我们提出了一种基于生成式对抗网络和自监督学习的人脸属性识别算法(GAN-SSL)。该算法首先使用人脸属性合成网络生成目标属性标签的人脸图像来增强人脸属性样本。然后,我们训练一个能识别旋转类型的自监督网络。该网络可以在人脸图像没有属性标签的情况下进行自监督学习,得到一个初始模型。最后,我们调整自监督网络为人脸属性识别网络,并使用生成的标签数据和真实数据微调该网络。在CelebA,LFWA和UMDUED数据集上使用1/10的数据训练时,所提算法相对提高2.42%,3.17%和5.77%的平均准确率。GAN-SSL算法能有效缓解人脸属性识别算法中标签数据不足的问题,显著提高在小样本数据集上的人脸属性识别正确率。
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：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/48582.html
