7篇关于邻域聚合的计算机毕业论文

今天分享的是关于邻域聚合的7篇计算机毕业论文范文, 如果你的论文涉及到邻域聚合等主题,本文能够帮助到你

基于知识图谱的影视推荐算法

这是一篇关于推荐算法,知识图谱,向量嵌入,邻域聚合的论文, 主要内容为科技带来便利,同时数据量的激增也导致信息过载问题。面对纷繁的信息时,用户常难以迅速搜寻到所需,而搜索工具的使用需要一定预备知识,在一些场景中不太适用,在此背景下推荐系统应运而生。推荐系统会根据用户行为进行兴趣建模,无需关键字就能得到个性化推荐序列,如视频软件或电商平台的推荐项目,对电影评分后出现的“猜你喜欢”弹窗等。传统的推荐算法易受数据稀疏、冷启动等问题影响,难以保证结果的准确度。知识图谱是一种基于知识元组的新型检索技术,有着丰富的语义信息和结构关联性,可以为上述问题带来新的探索方向。本文对基于知识图谱的影视推荐算法展开研究,主要工作如下:(1)构建了中文电影知识图谱。目前公开的影视知识图谱多根据Movie Lens等外文电影数据集制作,本文尝试根据豆瓣电影信息构建中文影视知识图谱。首先,进行数据抓取,获得大量电影信息,存入本地数据库。然后,定义实体和关系类型,建立知识三元组。最后,将数据表导入图数据库Neo4j,进行知识图谱的可视化展示。(2)提出了基于知识图谱的推荐算法。受矩阵分解做推荐预测的思路启发,研究用户和电影的表示学习,改进基于嵌入的知识图谱应用方法。首先,对用户和三元组进行向量嵌入,提取用户偏好,作为权重聚合实体邻域,获得电影实体的最终表示向量,然后和用户向量一起参与评分预测。最后,在豆瓣电影与Movie Lens数据集上进行测试。结果显示,与两种同类算法对比,本文算法在性能指标和运行效率上更有优势。

基于动态知识图谱的推荐算法研究

这是一篇关于知识图谱,推荐算法,注意力网络,邻域聚合,增量学习的论文, 主要内容为推荐系统是基于用户行为日志和兴趣等信息,并利用数据分析技术为用户提供服务的系统,已经得到了广泛应用。目前,利用知识图谱的优势来提高推荐的性能已成为了一个热门方向。其中,图神经网络(GNN)被广泛用于推荐算法中以更好地处理图数据,但目前基于GNN的推荐模型仍存在一些问题。首先,现有模型未能更细粒度地传播和聚合用户偏好和项目的邻域信息,也忽略了用户与未交互项目之间的潜在联系,难以获得更为准确的用户偏好与项目的特征向量表示,这将导致模型推荐效果不佳。其次,在动态推荐场景下,现有方法仅将新知识简单地嵌入知识图谱中,并将嵌入新知识后的知识图谱中的节点向量进行全量更新,导致模型的训练时间过长。针对以上问题,本文分别提出了新的知识图谱推荐模型与新的动态更新模型。全文主要工作如下:(1)现有方法存在未对用户偏好与项目进行更细粒度地建模以及忽略用户与未交互项目间潜在联系的问题。因此,本文提出了融合用户偏好与项目邻域信息的注意力推荐模型(PNGAT)以解决该问题。首先,该模型使用注意力网络对用户偏好进行独立传播及聚合,得到其向量表示。然后,通过计算未交互项目与用户偏好的相关程度,找出目标项目作为用户的潜在兴趣对象,同样对目标项目的邻域信息进行独立传播及聚合,得到其向量表示。最后,通过多跳及融合得到用户偏好和目标项目的特征向量,并输入深度神经网络得出预测评分。(2)现有方法存在将新知识简单地嵌入图谱以及对其进行全量更新所导致的动态更新效率不佳的问题。因此,本文提出了基于增量学习的动态知识图谱推荐模型(ILDGR)以解决该问题。首先,该模型根据重要性原则对知识图谱的局部旧知识进行采样回放,以解决增量更新过程中产生的遗忘问题。然后,将局部旧知识与新知识节点的嵌入向量进行初始化,并利用中心节点传播的方式更新局部节点的嵌入向量。最后,将更新后的嵌入向量输入PNGAT模型得到预测评分。(3)本文利用公开数据集进行实验分析,验证了所提模型的有效性。

基于知识图谱的影视推荐算法

基于图神经网络和知识图谱的推荐算法研究

这是一篇关于推荐系统,知识图谱,图神经网络,邻域采样,邻域聚合,双侧信息的论文, 主要内容为传统的推荐算法通常被数据稀疏和冷启动问题所困扰,知识图谱的提出和图神经网络(GNN)技术的发展为解决这些问题带来了新的思路。由于知识图谱中包含大量的人类知识信息,以及信息间的潜在关联并且它还具有很好的扩展性,而GNN方法则可以很好地提取这些潜在信息。现有的基于GNN和知识图谱的推荐算法利用GNN处理知识图谱并将其做为辅助信息引入推荐系统,可以有效的解决冷启动和数据稀疏问题。然而,这些方法在邻域采样和邻域聚合两部分设计比较简单,且忽略了在推荐系统中同样有重要价值的用户信息,导致推荐效果一般。本文首先针对邻域采样和聚合两部分提出了基于重要性的采样策略和基于池化操作的聚合策略。这种采样策略通过关系紧密度的计算来衡量不同邻居节点的重要程度,可以更具针对性的选择对目标项目节点影响更大的邻域。而聚合策略则通过引入一个可训练的池化层,训练邻域聚合权值来聚合邻域特征,可以更有差异化的聚合不同邻居对当前节点的影响。在此基础上,提出了融合这两种改进策略的改进算法KGCN-PL。此外,现有的基于GNN的知识图推荐模型通常只考虑项目侧的单侧信息,忽视了用户之间的大量关联信息。针对这一问题,本文提出了一个使用用户关系图构建的基于用户侧信息的GNN推荐模型UVGNN-U,通过捕获用户潜在兴趣为用户进行推荐,并将其与本文提出的KGCN-PL算法融合得到基于双侧信息的GNN知识图推荐模型UVGNN,以进一步提高推荐性能。最后,在6个真实世界数据集上对提出算法模型与基线模型进行详细对比评估,以验证提出改进策略及模型的有效性。

基于图神经网络表示学习的协同过滤推荐算法研究

这是一篇关于异构数据,邻域聚合,推荐系统,协同过滤,图卷积网络,高效训练的论文, 主要内容为推荐系统作为一种高效的信息过滤工具,可以有效地缓解“信息过载”问题。协同过滤是推荐系统中使用最广泛的算法,它通过用户的历史行为分析用户偏好,建模用户特征,为用户推荐感兴趣的项目。由于协同过滤需要使用用户的历史行为数据,而这类数据相对于项目数量往往很少,因此协同过滤容推荐面临着严重的数据稀疏问题。最近,由于用户与项目的关联可以构成天然的二分图,基于图神经网络的推荐越来越受到关注。通过用户-项目二分图和图卷积的方法可以有效地丰富目标节点的信息,缓解数据稀疏。但基于图网络推荐仍存在问题:一是图卷积模型过于复杂,在推荐任务中并不能充分发挥其特征变换与非线性激活的作用来挖掘潜在关联;二是在聚合节点信息时,平等地看待各类关系,将他们不加处理直接与目标节点信息进行融合,导致了最终目标特征表达的不合理;三是目前图卷积的消息聚合方式为显式的加和或拼接,这导致了模型训练效率受到影响,在数据集较大时训练变得非常缓慢。另一种缓解数据稀疏的方式是引入辅助信息,如用户的行为信息、时间戳或者用户评论、物品简介等,但是目前使用行为信息的推荐模型仅挖掘了不同行为间的联系而忽略了用户间行为的联系,导致了行为信息不能充分刻画用户兴趣,基于图网络的模型也受制于显式的消息传递算法,模型训练效率不高。针对目前基于神经网络的协同过滤推荐算法中存在的问题,本文的研究内容如下:(1)传统的协同过滤算法使用one-hot编码生成的特征向量信息量稀少,对异构行为数据仅挖掘不同行为间的联系而忽略用户间行为的联系。针对上述问题,文中提出基于异构邻域聚合的协同过滤推荐算法。首先,使用图对用户和项目的异构交互进行建模,并利用图的连通特性构建邻域。然后,使用轻量级图卷积方法整合邻域信息,融入目标用户和目标项目的特征向量。最后,将融合邻域信息的用户与项目的特征向量输入多任务异构网络进行训练,通过丰富特征向量信息的方法缓解数据稀疏问题。在数据集上的实验证实本算法的性能较优。(2)基于图卷积的推荐算法采用的消息传递机制效率不高,导致模型花费大量的时间训练以及传统推荐模型通常仅使用一种用户行为数据训练模型,而单类用户行为无法充分表达用户兴趣。针对上述问题,本文提出了一种融合隐式邻域关联与异构特征的协同过滤推荐算法。首先,通过图对用户与项目的异构交互进行建模,并通过图的连通特性构建邻域;其次,通过隐式邻域聚合算法使得目标特征向量中能够融合更高阶邻域的有效信息,并减少模型训练的开销;然后,通过隐式项目交互为不同的交互关系分配权重,更精确地描述不同关联对用户或项目的重要性;最后,将异构特征输入多任务异构网络,通过融合基于全采样的多任务损失与隐式邻域关联损失优化整个模型。在Movielen-1m,Beibei,Taobao三个数据集上进行实验,使用HR与NDCG指标对模型进行评价,本模型得到的结果对比同类型的其他推荐模型在性能与训练效率上有一定提升。

基于邻域聚合与CNN的知识图谱实体类型预测

这是一篇关于知识图谱,实体类型预测,卷积神经网络,邻域聚合,注意力机制的论文, 主要内容为知识图谱补全(Knowledge Graph Completion,KGC)模型主要集中在推断知识图谱(Knowledge Graph,KG)中缺失的实体或关系。然而,大多数的KG还缺少实体类型。实体类型是KG的原子构造块之一,在基于KG的下游任务中扮演着重要角色。针对KG的实体类型预测(Entity Type Prediction,ETP),简记为ETP4KG,其目标是推断KG中实体缺失的实体类型,即(实体,实体类型=?)。现有ETP4KG模型存在着一些局限性,普遍倾向于对实体和实体类型进行建模,却忽略了KG三元组或关系和实体已知的类型,主要问题为:模型在预测实体所属的类型时,未能合理利用KG中的三元组或实体间的关系、模型表达能力不足、模型在训练阶段与实体类型预测时未合理利用实体的已知类型信息。针对现有ETP4KG模型存在的上述问题,本文提出三个相关模型:基于卷积神经网络与翻译模型的ETP4KG模型—ETPTrans(?)CNH4KG,基于关系聚合图注意力网络与卷积神经网络的ETP4KG模型—ETPRGAT(?)CNN4KG,基于实体类型上下文信息聚合的ETP4KG模型—ETPRGAT(?)ETCA4KG。(1)ETPTrans(?)CNN4KG 主要包括两个子模型:ETPCNN4KG,ETP Trans4KG。ETPCNN4KG使用卷积神经网络来计算实体和实体类型之间的相似性,以构建实体嵌入(Entity Embedding,EmbEnt)和实体类型嵌入(Entity Type Embedding,EmbEntT)的深层次交互,达到增强表达能力的目的;ETPTrans4KG使用翻译模型来利用KG三元组与实体的已知类型信息;最后,使用ETPCNN4KG和ETPTrans4KG联合进行ETP4KG。(2)ETPRGAT(?)CNN4KG采用编码器-解码器的结构。编码器关系聚合图注意力网络RGAT是一个基于注意力机制的邻域聚合器(Neighborhood Aggregator,NbrAgg),其作用是聚合实体邻域(Entity Neighborhood,EntNbr)中实体和关系的信息,以达到利用KG三元组的目的。解码器CE2T使用卷积神经网络作为建模工具,以解决模型表达能力不足的问题,其作用是对RGAT输出的EmbEnt和EmbEntT进行建模,并进行ETP4KG。(3)ETPRGAT(?)ETCA4KG是ETPRGAT(?)CNN4KG的扩展,其同样采用编码器-解码器的结构。ETPTGAT(?)ETCA4KG在ETPTGAT(?)CNN4KG的基础上使用注意力机制聚合实体已知类型的信息,以此来达到在模型训练与ETP时利用实体已知类型的目标。解码器采用CE2T。为验证本文提出模型的有效性与可行性,在FB15K与FB15KET和YAGO43K与YAGO43KET上进行ETP4KG实验与其他相关实验。

基于图神经网络的知识图谱间实体对齐研究

这是一篇关于知识图谱,实体对齐,图神经网络,邻域聚合,关系感知的论文, 主要内容为近年来,越来越多的知识图谱已广泛应用在人工智能、自然语言处理和智能医疗问答系统中,渗透到社会各行各业。然而,基于不同数据源所构造的知识图谱,有着对同一实体的不同表述,在异构知识图谱中找到对同一实体的不同表达至关重要。实体对齐是在不同知识图谱中,找到表示在真实世界中的同一实体,可以将不同知识图谱中的等效实体链接在一起,是知识融合的重要步骤。本文的主要工作是实体对齐的研究,现有的实体对齐模型主要分为基于知识图谱嵌入和图神经网络的方法。大部分的实体对齐研究忽略知识图结构的异质性,其对齐效果往往不显著。本文从知识图谱的图结构角度出发,对图神经网络模型进行重点研究,采用半监督的方式进行联合训练,以进行实体对齐,得到匹配的实体对。本文研究的主要工作如下:(1)不同的知识图谱通常具有不同的结构,对应的实体也有着不同的邻域结构,知识图谱间的结构异质性往往是因为实体的邻域不同导致,为缓解其所带来的影响,本文提出一种邻域聚合匹配网络模型(NAMN)。该模型对实体的每层邻域采用分层的思想进行区别处理,聚合实体的邻域信息,使用门控机制和邻域匹配策略来实现实体对齐。(2)在邻域匹配的过程中,实体间的连接关系也是在匹配过程中的重要因素。本文提出一种关系感知邻域聚合匹配网络模型(RNAMN)。该模型借鉴了NAMN模型中的邻域聚合方案,来学习图结构表征。并使用一种半监督的方式,利用实体对齐方式和关系对齐方式之间的相互作用,迭代更新实体和关系的距离矩阵,利用图结构信息来找到新的实体对和关系对。最后,为了验证本文所提模型的有效性,在DBP15K基准数据集上进行实验验证。实验结果表明,本文的方法在倒数平均排名和命中率等指标上明显优于以前的流行方法,可以提高实体的匹配准确度。

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：毕设客栈，原文地址：https://m.bishedaima.com/lunwen/49174.html