基于微本体和图匹配的个性化推荐方法研究
这是一篇关于推荐系统,微本体,图匹配,路径索引的论文, 主要内容为随着信息技术的加速发展,信息阻塞也越来越严重,用户对所需信息的需求质量也随之提高,这成为了当下急需解决的问题。随着推荐系统的应运而生,学术界和工业界在此领域也进行了广泛研究。但当前的信息推荐,使各个领域内信息互相匹配且相似的内容与用户所需要的信息内容结果相比还不太理想,且对于推荐给用户所真正需要的资源还需要精准和完善。所以,眼下怎样令用户得到合理化和个性化的资源是推荐算法的主要研究目标。本文针对这些挑战进行研究和分析,提出基于微本体和图匹配的个性化推荐方法,使推荐效果得到了有效提高。本文的主要贡献点如下:(1)根据本体技术的语义性,本文首先利用K-means方法将领域的信息和用户信息进行聚类分析,使其微本体框架由“概念、属性和实例”等构成,然后构成的微本体框架能够更加清楚的表达出信息之间的语义关系,这样即能够使本体结构清晰,又能够轻松的构建出微本体模型。(2)根据“概念、属性和实例”等形式的微本体模型,将主题微本体和用户微本体分别构建成RDF(资源描述框架)形式的数据图和查询图。在RDF图的上下文中,不同的路径表示顶点之间的语义关系。引入的路径索引模式图以便更好的进行微本体之间的匹配。(3)针对推荐过程中合理化与个性化的问题,引入了微本体之间相邻元素及其语义关系,提出了基于微本体和图匹配的个性化推荐方法。通过为主题微本体和用户微本体建立具有语义关系的相邻元素及其关系构成的RDF路径索引,在主题微本体和用户微本体进行匹配时当作是数据图G与查询图Q之间的匹配。首先将查询图Q分解为一组路径,在分解过程中为每条路径获得一组候选匹配路径;然后通过N-partition交集图将候选路径连接在一起,最后构建出查询图的匹配图的近似结果集,得出推荐结果。最后,本文的基于微本体和图匹配的个性化推荐方法,在Movie Lens数据集上进行了相关实验。并将本文提出的基于微本体和图匹配的个性化推荐方法与其他算法进行了对比实验。实验结果表明,该方法能够有效提高推荐的精准度且优于其他算法。
基于神经网络的图匹配算法及应用研究
这是一篇关于图匹配,蛋白质复合物识别,特征点匹配,神经网络模型的论文, 主要内容为图匹配是用于在图结构数据中进行高效查询的一种技术,其广泛应用在生物信息学、知识图谱、计算机视觉等领域。相较于传统图匹配算法,基于机器学习和深度学习的方法将匹配任务描述为最小化能量函数问题,利用构建的模型自适应学习图的特征并修正参数,整个过程更加智能高效。然而,现有的无监督学习匹配算法中存在随机性强的问题,导致结果不稳定,以及监督学习算法中人为构造的特征存在不准确的可能性,从而导致匹配结果准确度较低。基于此,本文研究了基于神经网络的自适应特征学习匹配算法,并以蛋白质复合物识别和特征点匹配为应用背景验证所提出的算法的准确性和有效性。论文主要研究工作包括:(1)针对无监督学习匹配算法存在随机性的问题,以及监督学习匹配算法存在人为构造特征不准确的问题,提出了基于图嵌入与拓扑结构信息相结合的匹配算法。该算法利用图嵌入神经网络模型自适应学习图的特征并利用非线性分类器得到匹配结果,有效解决了现有方法存在的问题从而达到提高匹配准确度的目的。(2)针对研究内容(1)中的神经网络模型利用随机游走生成根子图,并将其作为学习图嵌入的基本要素会存在信息冗余,进一步导致了最终学习到的图嵌入特征代表性不强的问题,研究了更有针对性的图神经网络来自适应学习特征,并在网络模型中加入了空间转换网络用以对图中重要的结构加重学习,从而实现提升算法的准确性和有效性的目标。(3)为验证以上算法的准确性和有效性,将其应用于生物信息学领域和计算机视觉领域,分别解决蛋白质复合物识别和特征点匹配问题。实验结果表明,相较于其他算法,本文所提出的算法提高了准确度的同时,其在F-measure和敏感度上也有着不错的表现。
知识图谱的Top-k摘要模式挖掘方法
这是一篇关于知识图谱,摘要模式挖掘,图匹配,次模函数的论文, 主要内容为近年来,在网络信息技术的支撑下,以维基百科、Yago、Freebase等为代表的包含大量非结构化、异构数据的知识图谱得到了快速发展。然而,知识图谱数据具有体量大、内容丰富、类型多样、缺乏统一模式描述特点。因此,提取知识图谱模式信息,并形成摘要模式,对于提升知识检索、挖掘质量具有重要研究意义。现有的摘要模式挖掘方法得到的图谱模式存在以下问题:1)挖掘的效率低;2)用户很难控制算法的频繁度值,往往产生大量的频繁子图模式;3)不同模式之间往往相互交叠冗余。同时,已有的研究成果仍然存在部分上述问题。针对这些不足之处,本论文提出了新的摘要模式挖掘方法,将知识图谱的摘要模式挖掘建模为优化问题,并证明目标函数满足次模性,利用次模函数边际效益最大化的数学性质对Top-k摘要模式进行贪心近似求解。实验结果表明,本文提出的摘要模式挖掘方法在挖掘质量和挖掘效率上均优于已有的双目标函数模型方法。本文的研究工作和创新点归纳如下:层次化的摘要模式的定义。首先,本文使用图模拟匹配方法给出摘要模式的判定准则。其次,实际应用中,知识图谱的标签往往带有层次信息关系,本文基于摘要模式判定准则提出考虑节点标签层次化结构的摘要模式定义。最后,由于不同的模式对知识图谱的概括能力不同,给出摘要模式的质量度量方法。这些理论研究成果,为摘要模式挖掘问题的建模和求解奠定了坚实的理论基础。摘要模式挖掘建模及求解方法的研究。本文提出新的摘要模式挖掘方法,将摘要模式挖掘建模为次模函数优化问题,该目标函数不仅能够提升挖掘的摘要模式质量,而且在形式上更为简洁且无需定义参数。同时,基于摘要模式挖掘问题给出对应的贪心近似求解算法及加速算法。最终,在真实数据集中验证了该挖掘方法的有效性。
基于微本体和图匹配的个性化推荐方法研究
这是一篇关于推荐系统,微本体,图匹配,路径索引的论文, 主要内容为随着信息技术的加速发展,信息阻塞也越来越严重,用户对所需信息的需求质量也随之提高,这成为了当下急需解决的问题。随着推荐系统的应运而生,学术界和工业界在此领域也进行了广泛研究。但当前的信息推荐,使各个领域内信息互相匹配且相似的内容与用户所需要的信息内容结果相比还不太理想,且对于推荐给用户所真正需要的资源还需要精准和完善。所以,眼下怎样令用户得到合理化和个性化的资源是推荐算法的主要研究目标。本文针对这些挑战进行研究和分析,提出基于微本体和图匹配的个性化推荐方法,使推荐效果得到了有效提高。本文的主要贡献点如下:(1)根据本体技术的语义性,本文首先利用K-means方法将领域的信息和用户信息进行聚类分析,使其微本体框架由“概念、属性和实例”等构成,然后构成的微本体框架能够更加清楚的表达出信息之间的语义关系,这样即能够使本体结构清晰,又能够轻松的构建出微本体模型。(2)根据“概念、属性和实例”等形式的微本体模型,将主题微本体和用户微本体分别构建成RDF(资源描述框架)形式的数据图和查询图。在RDF图的上下文中,不同的路径表示顶点之间的语义关系。引入的路径索引模式图以便更好的进行微本体之间的匹配。(3)针对推荐过程中合理化与个性化的问题,引入了微本体之间相邻元素及其语义关系,提出了基于微本体和图匹配的个性化推荐方法。通过为主题微本体和用户微本体建立具有语义关系的相邻元素及其关系构成的RDF路径索引,在主题微本体和用户微本体进行匹配时当作是数据图G与查询图Q之间的匹配。首先将查询图Q分解为一组路径,在分解过程中为每条路径获得一组候选匹配路径;然后通过N-partition交集图将候选路径连接在一起,最后构建出查询图的匹配图的近似结果集,得出推荐结果。最后,本文的基于微本体和图匹配的个性化推荐方法,在Movie Lens数据集上进行了相关实验。并将本文提出的基于微本体和图匹配的个性化推荐方法与其他算法进行了对比实验。实验结果表明,该方法能够有效提高推荐的精准度且优于其他算法。
基于层次注意力的知识图谱实体对齐方法研究
这是一篇关于知识图谱表示学习,实体对齐,层次注意力机制,图匹配的论文, 主要内容为近年来,工业界与学术界涌现出各式各样的知识图谱。这些侧重于不同领域、基于不同数据库的知识图谱之间存在着大量的共同实体。为了寻找这些共同实体以实现知识图谱之间的知识融合,实体对齐任务应运而生。知识图谱表示学习的出现为实体对齐提供了新的解决方案。然而,现有的大多数基于知识图谱表示学习的实体对齐方法在利用实体邻域信息建模中心实体时,不但没有考虑邻域信息中关系多语义的影响,而且没有剔除掉对实体对齐无用的邻域信息。此外,这些方法在进行匹配时仅仅使用邻域中的邻居实体信息而忽略了邻域中包含丰富语义的关系信息。实际上,不同知识图谱中对齐实体的邻域往往是异构的,尽管部分实体对之间邻域的邻居实体不尽相同,但描述实体特征的邻居关系却是相似的。这些缺陷都将导致实体对齐的效果欠佳。针对上述问题,本文提出了基于层次注意力的邻域匹配网络(Hierarchical Attentionbased Neighborhood Matching Network,HANM)进行实体对齐。具体而言,HANM首先使用三层注意力机制(即关系级别注意力、关系语义级别注意力以及实体级别注意力)来赋予邻域中不同关系、关系语义和实体不同的权重,以更细粒度地建模中心实体表示。然后,该模型根据三层注意力机制计算得到的实体邻域中的邻居实体和关系得分分别对它们进行采样,以剔除邻域中的噪声信息。其次,HANM分别对两个知识图谱的采样邻居实体子图及关系子图进行交叉图匹配,以充分计算它们的邻域匹配度。最后,该方法结合中心实体自身表示和邻域匹配度来计算两个知识图谱间中心实体对的相似度。本文所提方法能更全面地考虑实体的邻域信息,从而提高实体对齐的精准性。为了验证模型的有效性,本文在真实世界数据集DBP15K的三个跨语言数据集上进行了实验。实验结果表明,相较于其它基准模型,本文提出的基于层次注意力机制的邻域匹配实体对齐方法在MRR和Hits@K指标上均取得更优的效果。
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：毕设向导 ，原文地址：https://m.bishedaima.com/lunwen/48627.html
