5篇关于双曲空间的计算机毕业论文

今天分享的是关于双曲空间的5篇计算机毕业论文范文, 如果你的论文涉及到双曲空间等主题,本文能够帮助到你

基于连续情感和流形空间变换的序列推荐研究

这是一篇关于情感表征,流形学习,双曲空间,对比学习,图神经网络,注意力机制,推荐系统,序列化推荐的论文, 主要内容为推荐系统(Recommender Systems,RSs)经过几十年的科研探索以及商业应用,目前已经发展成为一种用途广泛的基本工具,可以在我们工作、生活、商业运作、学习、社交和娱乐等各个日常方面提供更有信息量及效率的选择。在内容服务日益过载的数字经济时代,用户需要从大量快速增长的内容、产品和服务中做出选择,推荐系统的作用已变得不容忽视。由于推荐系统拥有巨大的应用价值,近几十年来它始终处于研究热门领域,而随着数据丰富度及计算效率的提升,序列化推荐作为一种更贴合自然条件下的用户决策建模方式,已成为研究热点。与传统建模相比,序列化推荐试图理解用户和物品时序交互行为,并利用更丰富的用户特征、意图和物品衍进趋势实现更加精细化、定制化和动态化的推荐结果。尽管序列化推荐已取得令人瞩目的成绩,但现有大部分工作仍是通过改变模型结构以提升效果的,这些研究都需要遵循所给出设定来使用,明显的弊端有以几下几点:第一点是改进的结构用于以往的方案中往往较为复杂以及并不能自适应的配置到现有或未来的方案中,易导致大量重复工作,可持续性较低。第二点是现有的序列化推荐方法侧重于对用户行为进行建模,并善于使用额外的物品信息来提高推荐性能。然而,现有的方法很少考虑到用户的连续主观情绪对其行为的影响。通常人的主观情绪变化对其本身的最终偏好起着决定性的作用。第三点是序列化推荐任务中的用户-物品交互一般呈现出内在的幂律分布,这种分布可以看作是层次化结构。而现有的序列化推荐方法为了捕捉用户/物品的基本层次属性,已经引入了各种方法,例如通过长/短的时间段对历史行为进行切分,或者根据经验对交互的物品进行分类。然而,这种操作可能会导致物品/用户表征的畸变,以及在真实的在线场景中的表现不尽如人意。因此本文研究拟探讨的问题是:如何将人类情感用于引导序列化偏好的生成以及如何对于数据中包含的丰富层次化信息进行建模。具体来说,本文拟设计出一类通用化组件,旨在低成本适配到现有或未来方案中,同时带来效果上的提升。综上所述,本文以现有的序列化推荐方案的特性为出发点,以构建组件化提升方案为研究中心,针对序列化推荐任务的特点,我们结合用户兴趣爱好广泛而情感信息未被充分表达的问题以及数据中包含丰富层次化信息但表达不足的情况。我们首先提出SGS模型借助情感信息用于引导用户偏好的生成。其次基于现有欧几里德空间缺乏对层次化信息的表达,且双曲空间中缺乏对比学习方案,本文提出HCGR方法以填补该领域的空白。另外,考虑到现有双曲空间方案的效率以及计算误差,本文从理论的角度优化了双曲空间的内积操作,并设计出全局信息补充的图强化方案PHGR。最后,本文利用公开及工业数据集,设计大量实验,深入分析本文所提出方案得有效性及可迁移性。

基于预训练模型的细粒度实体分类研究与实现

这是一篇关于细粒度实体分类,预训练模型,双曲空间,微调,句子嵌入的论文, 主要内容为随着互联网的发展,随时都会产生大量的非结构化的数据,所以需要利用信息抽取的技术对这些数据进行存储与利用。细粒度实体分类是信息抽取的关键性技术之一,为实体链接,知识图谱等任务提供支持。细粒度实体分类任务的目标是根据所提供的候选实体与其上下文,将候选实体归到正确的类别。与传统命名实体识别所不同的是,细粒度实体分类是多标签多分类任务,提取与细粒度实体分类任务紧密相关的特征,决定了分类结果的好坏,也会对下游任务产生影响。预训练模型得益于其强大的表征能力,自被研究者提出以来,广泛的应用在了自然语言处理的诸多领域。预训练模型主要通过特征提取与微调应用到具体任务中。在特征提取方面,本文使用ELMo预训练模型的词向量替代传统的词向量;在微调方面,本文使用BERT、XLNet、RoBERTa以及LUKE四种预训练模型进行细粒度实体分类,并通过基于Sentence-transformer和基于对比学习两种方式,对RoBERTa模型进行微调。论文的主要贡献如下:1.提出基于预训练词向量和双曲空间的细粒度实体分类方法。本文使用ELMo词向量进行细粒度实体分类任务,并且针对细粒度实体分类中类别过细,各类别之间出现了层次结构这一问题,使用更适合层次结构的双曲空间进行解决。实验验证了使用ELMo词向量与双曲空间进行细粒度实体分类的性能更好。2.提出基于微调预训练模型的细粒度实体分类方法。通过微调BERT、XLNet、RoBERTa以及LUKE进行细粒度实体分类。基于Sentence-transformer、对比学习对 RoBERTa 进行微调以获取具有语义信息的句子嵌入来进行细粒度实体分类。3.在UFET标准数据集上的实验结果验证了基于预训练词向量与基于微调的方法均能够提升细粒度实体分类性能。

基于量子理论和双曲空间理论的知识表示学习研究

这是一篇关于知识表示学习,量子嵌入,知识图谱,双曲空间的论文, 主要内容为知识图谱作为信息时代一个十分重要的工具,已经在信息检索,知识问答,推荐系统等诸多方面扮演着愈加重要的角色。随着大数据信息时代的到来,日益增长的数据难以满足人们获取精确信息的需求,知识图谱的构建为人们提供了方便。然而大规模的知识图谱在如何存储、如何表示等方面存在着一定的困难。近年来,各种表示学习技术备受研究人员的关注,为大规模知识图谱的表示作出了一定贡献,但也仍然存在着诸多技术难题。知识图谱一般表示成三元组(实体,关系,实体)的形式,现有的方法一般将这些实体和关系通过向量的形式进行表示,充分利用词向量的特点,有效表示了知识图谱中各类知识元组。分布式表示是近年来比较高效的表示学习技术。以经典模型TransE方法为代表的翻译模型能够有效解决数据稀疏性等问题,但存在对复杂关系的表示不大理想的问题,因此研究一种更科学,更高效的表示学习方法尤为重要。本文在已有研究工作的基础上进一步改进,主要从以下两方面展开研究工作:(1)考虑到知识图谱中知识具备时效性的特点,三元组关系可能随时间改变,而近年来量子理论在机器学习等领域有着显著的应用,提出了基于量子理论的知识表示方法Q-TransX。该方法将知识制备成量子态,结合翻译模型的基本方法,利用量子的多态性解决知识图谱中知识的动态性问题,将词嵌入表示学习方法用来训练量子嵌入,实验结果验证了该方法的有效性。(2)提出基于双曲空间理论的双曲嵌入方法Hyper-TransE。该方法利用双曲空间能够很好地捕获具有层次结构的知识信息等特性,而知识图谱中的知识或是关系存在着大量的层次结构关系。结合欧式嵌入的方法进行双曲嵌入,不仅能捕获到这种层次关系,还可以大大减少嵌入的维数,解决了词向量面临的维数灾难问题,大大提升了表示学习的质量,实验证明了该方法的有效性。本文结合量子理论和双曲空间理论,分别提出了 Q-TransX方法和Hyper-TransE方法来解决知识表示学习面临的一些问题。在一些经典数据集上进行实验,我们的方法在性能指标上都有一定的提升。