6篇关于时间信息的计算机毕业论文

今天分享的是关于时间信息的6篇计算机毕业论文范文, 如果你的论文涉及到时间信息等主题,本文能够帮助到你 时间感知的自注意力网络序列化推荐 这是一篇关于序列化推荐,自注意力网络

今天分享的是关于时间信息的6篇计算机毕业论文范文, 如果你的论文涉及到时间信息等主题,本文能够帮助到你

时间感知的自注意力网络序列化推荐

这是一篇关于序列化推荐,自注意力网络,物品嵌入,时间信息,位置编码的论文, 主要内容为随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。现有的很多基于自注意力机制的序列化推荐算法主要考虑对用户的行为序列进行建模,而往往忽略了时间因素对用户行为的影响。此外,自注意力机制中传统的绝对位置编码方式将位置嵌入信息与商品嵌入信息相加作为网络的输入是不合理的,这会导致模型训练中产生噪声相关性和混合相关性,干扰了模型捕获序列中复杂关系的能力。本文针对上述问题进行了深入分析研究。首先,提出了一种融合时间信息的序列化推荐模型,将用户历史交互商品投影为常数个潜在兴趣,缓解了过度参数化和模型复杂度过高的问题。另外,通过提取隐含于用户-商品交互序列中的时间信息并将其注入自注意力网络,丰富上下文信息,增强模型捕获复杂序列模式的能力。通过与一组优秀的序列化推荐模型进行对比,验证了其在多个真实世界数据集上都具备良好的推荐性能。其次,将位置嵌入与商品嵌入分离,独立设计位置编码。考虑到位置信息与时间信息具有较强的相关性,将时间信息与位置信息融合,并结合自注意力机制计算位置信息权重,提出基于自注意力网络的时间感知序列化推荐模型,并与一组基准模型进行比较。结果表明,模型推荐性能显著提高。最后,基于SNTSR模型设计并实现了一个简易的电影推荐系统,可以向用户推荐其可能喜欢的电影,进一步验证了推荐模型的有效性和实用性。

时间感知的自注意力网络序列化推荐

这是一篇关于序列化推荐,自注意力网络,物品嵌入,时间信息,位置编码的论文, 主要内容为随着互联网与社交媒体的飞速发展,人们的信息需求日益增长。然而,随着海量信息的持续输出,信息过载问题也随之而来。面对这一亟需解决的问题,推荐系统便应运而生。其中序列化推荐系统的出现,为推荐系统的发展开辟了新的方向和可能性。现有的很多基于自注意力机制的序列化推荐算法主要考虑对用户的行为序列进行建模,而往往忽略了时间因素对用户行为的影响。此外,自注意力机制中传统的绝对位置编码方式将位置嵌入信息与商品嵌入信息相加作为网络的输入是不合理的,这会导致模型训练中产生噪声相关性和混合相关性,干扰了模型捕获序列中复杂关系的能力。本文针对上述问题进行了深入分析研究。首先,提出了一种融合时间信息的序列化推荐模型,将用户历史交互商品投影为常数个潜在兴趣,缓解了过度参数化和模型复杂度过高的问题。另外,通过提取隐含于用户-商品交互序列中的时间信息并将其注入自注意力网络,丰富上下文信息,增强模型捕获复杂序列模式的能力。通过与一组优秀的序列化推荐模型进行对比,验证了其在多个真实世界数据集上都具备良好的推荐性能。其次,将位置嵌入与商品嵌入分离,独立设计位置编码。考虑到位置信息与时间信息具有较强的相关性,将时间信息与位置信息融合,并结合自注意力机制计算位置信息权重,提出基于自注意力网络的时间感知序列化推荐模型,并与一组基准模型进行比较。结果表明,模型推荐性能显著提高。最后,基于SNTSR模型设计并实现了一个简易的电影推荐系统,可以向用户推荐其可能喜欢的电影,进一步验证了推荐模型的有效性和实用性。

感知用户长短期偏好的序列推荐算法研究

这是一篇关于深度学习,序列推荐,长短期偏好,时间信息,对比学习的论文, 主要内容为序列推荐通过对用户与项目的交互序列进行建模,可以为用户提供准确、个性化的推荐建议。它可以用来缓解信息过载问题,为用户省下时间和精力,给企业或个人创造出极大的价值。目前,较多的序列推荐模型将用户行为偏好分为长期行为和短期行为进行建模。虽然前人的研究中已经取得了瞩目的成果,但仍存在以下不足:(1)研究者们仅关注用户交互行为序列的顺序依赖,而忽略了时间上下文信息对用户下一项交互行为的影响。(2)在一些现实应用场景中,序列推荐模型长期受到数据稀疏和序列噪声问题的影响,并且模型使用大量无标注的数据进行训练会导致用户表征质量偏低。为缓解这些问题造成的影响,本文对序列推荐中融入时间上下文信息、缓解序列噪声问题以及增强用户表征等方面进行研究和探索。本文的研究内容主要如下:(1)为利用用户交互行为序列中的时间信息来提高序列推荐的效果,本文提出了一种融合时间上下文信息与长短期偏好的序列推荐模型(TCLSRec)。该模型利用感知时间间隔的自注意力机制捕捉用户短期行为序列与时间间隔信息的深层关联,并利用增加了时间间隔门的RT-GRU网络来建模用户的长期行为偏好。模型设计一个门控机制来动态分配用户长期和短期行为偏好的影响权重,并以此将长期和短期行为偏好进行融合。在三个公开真实数据集上的实验结果表明,本文提出的TCLSRec模型在融合了时间间隔信息后一定程度上解决了推荐时效性的问题,并在推荐性能上有所提高。(2)为缓解数据稀疏、数据未标注以及序列噪声等问题,本文在TCLSRec模型的基础上,提出了加入对比学习的改进模型(ILSRec)。该模型以相同的方式对用户原始交互行为序列进行建模,并同时设计一个对比学习任务。该任务从用户原始交互序列生成数据增强序列,并将增强序列建模后使用对比学习的方式进行训练,以此获取原始数据本身的自监督信号用于拟合。最后,模型采用多任务训练策略,将两种训练任务的损失函数以线性加和的方式一起优化,进而获得高质量的用户表征。在四个公开真实数据集上的实验结果表明,本文提出的改进ILSRec模型通过对序列数据提取自监督信号进行训练,获得了更贴合用户真实偏好的表征,进一步提高了推荐系统的准确性和健壮性。图[29]表[8]参[78]

视频监控场景下的暴力行为检测

这是一篇关于智能视频监控,暴力行为检测,时间信息,多尺度时空特征,支路特征融合,轻量化模型的论文, 主要内容为暴力行为检测作为智能视频监控的一个重要分支,对维护社会稳定,保障人民生命财产安全至关重要。近些年来,深度学习技术凭借自身强大的特征提取能力在暴力行为检测领域取得了一定的成绩。但现有的大多数研究存在网络模型结构复杂、未能充分利用视频数据多尺度特征、未能有效地融合多流网络不同支路的输出特征的问题。为解决上述问题,本文对卷积神经网络模型、模型轻量化、视觉注意力机制等相关理论和技术展开研究并作出了如下贡献:(1)提出了三种轻量级激励模块:本文所提出的时间激励模块(Temporal Excitation,TE)可以有效地建模时间维度的相互依赖关系,使模型更加关注与目标事件相关的图片帧,弥补了2D CNN无法提取时间信息的局限性;所提出的多尺度时空激励模块采用多个不同大小的卷积算子来获取多尺度感受野,有助于网络在多个尺度上检测特征信息,提高检测视频数据中复杂模式的能力;所提出的支路融合激励模块能够自适应地校准多流模型不同支路维度的特征响应,有效地解决了支路特征融合时缺乏自学习能力的问题。上述激励模块可方便地嵌入到已有的卷积神经网络架构中,在仅引入很少参数量和计算量的前提下给网络模型带来持续有效的性能收益。(2)提出了一种基于轻量级网络Mobile Net-TE的暴力行为检测算法:2D CNN结合时间信息提取模块的方式能够有效地降低算法模型的复杂程度和计算成本。因此,本文对轻量网络Mobile Net V2进行剪枝操作并结合(1)中提到的TE模块构建了暴力行为检测模型Mobile Net-TE。实验结果表明,该算法模型在Hockey Fight、Movies Fight、RWF-2000数据集上分别取得了99%、100%以及89.25%的检测准确率,模型参数量仅为0.204M,计算成本为1.418M FLOPs,优于现存的大多数模型。(3)提出了一种基于多重激励网络ME-Net的暴力行为检测算法:为了进一步提升算法模型的特征表达能力,本文设计了一种轻量级的双流网络模型。该模型以背景减除和帧间差分序列为输入数据并结合了(1)中提到的三种激励模块,有效地提高了暴力行为检测算法的准确率。由于用到了多种激励模块,本文称之为多重激励网络(Multiple Excitation Network,MENet)。实验结果表明,该算法模型在Hockey Fight、Movies Fight以及RWF-2000数据集上分别取得了99.5%、100%以及91.5%的检测准确率,模型参数量为0.409M,计算成本为2.839M FLOPs。该算法模型相比Mobile Net-TE仅增加了极少的模型参数量和计算成本,却在RWF-2000数据集上得到了2.25%的准确率提升,在检测准确率和轻量性之间达到了较好的平衡。

融合多源信息的协同过滤算法研究与应用

这是一篇关于协同过滤,项目类别,时间信息,矩阵分解,社交网络的论文, 主要内容为协同过滤算法通过找到兴趣相投喜好相似的群体,由此向用户推荐感兴趣的信息,帮助用户解决“信息过载”问题。但是,协同过滤算法仍然面临着数据稀疏、冷启动等挑战,使用单一的用户行为信息不能解决上述问题。随着互联网的发展,产生大量的多源信息如项目信息、社交网络信息等,为优化算法带来了契机,如何利用丰富的多源信息来解决协同过滤算法中存在的问题是推荐算法的研究热点。本文以基于用户和基于矩阵分解的两种协同过滤推荐算法为基础,分析现有研究中存在的问题,利用多源信息进行较为深入的研究和应用,具体内容如下:研究了融合项目类别与时间信息的协同过滤推荐算法CF-ICTI。针对用户对某类项目的感兴趣程度既受用户对这类项目的评分个数和评分高低的影响,也受各个类别项目数量的差异影响的实际情况,本文通过设置阈值综合考虑两种情况,融合项目类别优化兴趣相似度计算。同时,使用时间因子作为权重优化评分相似度缓解用户兴趣转移问题。将两种相似度线性加权得到整体相似度,由此预测评分产生推荐。仿真实验证明改进算法提高了推荐的准确度,从优化相似度方面缓解了数据稀疏问题。研究了融合领域类别和社交网络的矩阵分解推荐算法MF-DCSN。针对不同领域对用户社交关系产生影响且用户的影响力受用户评分信息和社交网络结构共同影响的实际情况,本文首先根据领域类别划分不同的社交网络,使在不同领域中用户信任不同的用户。其次,分别使用改进的Person相似度方法和PageRank算法计算在评分信息和社交网络结构下的用户影响力。最后,将基于用户影响力的社交关系作为正则化项优化矩阵分解模型,求解模型预测评分并产生推荐。仿真实验证明改进算法提高了评分预测的精度,通过加入社交关系缓解了新用户的冷启动问题。基于CF-ICTI算法实现了电影推荐系统。从电影推荐系统的需求出发,进行了架构分析、功能模块划分和数据库设计等,实现了该系统的前台电影推荐和后台系统管理子系统,从而为用户提供感兴趣的电影推荐,与实际应用相结合验证了CF-ICTI算法的可行性。

感知用户长短期偏好的序列推荐算法研究

这是一篇关于深度学习,序列推荐,长短期偏好,时间信息,对比学习的论文, 主要内容为序列推荐通过对用户与项目的交互序列进行建模,可以为用户提供准确、个性化的推荐建议。它可以用来缓解信息过载问题,为用户省下时间和精力,给企业或个人创造出极大的价值。目前,较多的序列推荐模型将用户行为偏好分为长期行为和短期行为进行建模。虽然前人的研究中已经取得了瞩目的成果,但仍存在以下不足:(1)研究者们仅关注用户交互行为序列的顺序依赖,而忽略了时间上下文信息对用户下一项交互行为的影响。(2)在一些现实应用场景中,序列推荐模型长期受到数据稀疏和序列噪声问题的影响,并且模型使用大量无标注的数据进行训练会导致用户表征质量偏低。为缓解这些问题造成的影响,本文对序列推荐中融入时间上下文信息、缓解序列噪声问题以及增强用户表征等方面进行研究和探索。本文的研究内容主要如下:(1)为利用用户交互行为序列中的时间信息来提高序列推荐的效果,本文提出了一种融合时间上下文信息与长短期偏好的序列推荐模型(TCLSRec)。该模型利用感知时间间隔的自注意力机制捕捉用户短期行为序列与时间间隔信息的深层关联,并利用增加了时间间隔门的RT-GRU网络来建模用户的长期行为偏好。模型设计一个门控机制来动态分配用户长期和短期行为偏好的影响权重,并以此将长期和短期行为偏好进行融合。在三个公开真实数据集上的实验结果表明,本文提出的TCLSRec模型在融合了时间间隔信息后一定程度上解决了推荐时效性的问题,并在推荐性能上有所提高。(2)为缓解数据稀疏、数据未标注以及序列噪声等问题,本文在TCLSRec模型的基础上,提出了加入对比学习的改进模型(ILSRec)。该模型以相同的方式对用户原始交互行为序列进行建模,并同时设计一个对比学习任务。该任务从用户原始交互序列生成数据增强序列,并将增强序列建模后使用对比学习的方式进行训练,以此获取原始数据本身的自监督信号用于拟合。最后,模型采用多任务训练策略,将两种训练任务的损失函数以线性加和的方式一起优化,进而获得高质量的用户表征。在四个公开真实数据集上的实验结果表明,本文提出的改进ILSRec模型通过对序列数据提取自监督信号进行训练,获得了更贴合用户真实偏好的表征,进一步提高了推荐系统的准确性和健壮性。图[29]表[8]参[78]

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:毕业设计工坊 ,原文地址:https://m.bishedaima.com/lunwen/48675.html

相关推荐

发表回复

登录后才能评论