推荐6篇关于元学习算法的计算机专业论文

今天分享的是关于元学习算法的6篇计算机毕业论文范文, 如果你的论文涉及到元学习算法等主题,本文能够帮助到你

面向稀疏短交互特征的商品交易序列用户冷启动推荐方法研究

这是一篇关于序列推荐,马尔科夫链,用户冷启动,元学习算法,知识图谱的论文, 主要内容为随着互联网电商平台的兴起,商品推荐系统发展迅速。研究表明,基于用户与商品交互序列的推荐算法能够感知用户的长期偏好,有助于提升推荐效果。通过对真实数据集分析,发现某些情况下交易数据具有稀疏和短交互性的特征,在二手交易平台中尤为明显,此类问题降低了序列建模推荐方法的有效性。与此同时,当推荐系统进一步面对用户冷启动问题时,有必要综合考虑算法的适应性和数据的稀疏性问题。基于上述分析,对面向稀疏数据的序列建模和用户短交互冷启动问题开展相关研究,从而更好的满足稀疏冷启动环境下对于推荐算法的实际应用需求。主要工作包括建立了适用于稀疏短交互数据的马尔科夫链序列推荐模型,实现了用户冷启动现象的元学习优化算法。在序列推荐建模方面,先对序列交互数据预处理,通过已有长序列生成更多短序列,丰富偏好特征训练样本,使用基于时间流行度的采样方法精选短序列样本;结合知识图谱链路预测的方法提取用户的偏好特征;将用户偏好特征和商品特征映射至同一向量空间,增强序列推荐的预测准确性;使用马尔科夫链概率公式预测下一项商品。针对用户冷启动问题,将提出的序列建模方法与基于参数优化的元学习方法相结合,采用双层梯度下降的模型优化策略,在适应数据稀疏性的前提下优化模型参数,使得模型在冷启动场景下拥有更好的表现。在二手电商Mercari和传统电商Amazon两个数据集上开展一系列实验,两数据集均具有稀疏短交互的特征,其中Mercari数据集比Amazon数据集拥有更大的稀疏度和更短的平均交互长度。与现有方法的对比实验表明,本方法相对主流算法取得了较好的结果,相对于其中的Meta CF算法在下一项商品预测准确率分别提升了0.024和0.015,且本方法在Mercari数据集上具备更明显的提升效果。此外对模型进行消融实验,结果表明采样方法与知识图谱关系提取技术能提升稀疏短交互数据下的序列推荐性能,同时元学习优化算法能够使模型很好地适应冷启动场景。

基于图数据的小样本论文分类系统的设计与实现

这是一篇关于小样本,元学习算法,图神经网络,论文分类的论文, 主要内容为科学研究方向日渐丰富,论文的精准分类可以给学者做科研带来极大的便捷。目前的论文分类检索系统存在分类粒度大、无法准确检索的问题。系统在处理冷门研究方向的论文时,该类论文的数据量较少,普通的分类模型无法达到令人满意的效果,这样不仅降低了工作效率,也给科研工作者带来了不好用户体验感。本课题设计并实现基于图数据的小样本论文分类系统,解决了在处理样本量较少的论文分类不准确的问题。本课题主要完成的工作如下:第一,设计了一种基于图数据的小样本论文分类的方案。方案先以每篇论文摘要的特征为节点,以论文之间的引用关系为边,建立一个引文网络,然后以图神经网络为训练工具,以基于元学习的小样本算法为训练过程,以n-way k-shot的多任务结构为训练方式,最后根据不同的应用场景训练不同的分类模型,并将模型应用到系统中。针对样本量较少的问题,方案应用小样本元学习Reptile算法,该算法加快了模型的训练过程,避免了在MAML算法上的梯度二次更新,提高了训练效率,同时也达到了相同的训练效果。第二,设计并实现了小样本论文分类系统。用户根据自己需求上传论文,系统根据上传的特点选择不同的分类模型进行分类,最后将分类结果反馈给用户。系统前端基于Vue.js框架,后端基于SpringBoot框架来实现前后端分离。后端分布式服务之间的调用使用Dubbo RPC框架。数据库使用MySQL和Redis,分别对不同类型数据进行存储,使用文件服务器存储用户上传的论文。论文描述了小样本论文分类系统的需求分析,提出了数据库设计和系统架构设计方案,详细介绍并实现了论文上传模块,论文分类模块,论文信息检索模块,系统管理模块。最后该系统测试的结果表明该系统符合预期结果,具有使用价值。

面向稀疏短交互特征的商品交易序列用户冷启动推荐方法研究

基于分层注意力网络与元学习的跨域推荐研究

这是一篇关于跨域推荐,用户偏好建模,元学习算法,分层注意力网络的论文, 主要内容为跨域推荐是致力于解决推荐系统冷启动问题的一类方法,核心思想是借助其它域中的知识为当前域的用户进行推荐。基于嵌入与映射的方法是一类可以利用重叠用户数据进行跨域推荐的方法。这类方法通常利用重叠用户在源域中丰富的交互行为进行偏好建模,然后将该偏好知识传递到目标域中。但此类方法并未考虑到用户目标域交互行为和源域交互行为的时序关系。另外,由于基于嵌入与映射的模型对重叠用户数据量的强依赖,会导致在用户交互数据过少时,模型的推荐性能大幅下降。针对用户目标域交互行为和源域交互行为的时序关系问题,使用分层注意力网络对用户偏好进行建模,兼顾用户的长期偏好与短期偏好。针对模型对重叠用户的强依赖问题,为提高模型处理冷启动任务的能力,设计面向任务的元网络,使用元学习算法对模型进行训练。提出了一种新的基于分层注意力网络与元学习的跨域推荐模型(Hierarchical Attention Network and Meta Learning based Cross-Domain Recommendation Model,HAMCDR),提高模型处理冷启动任务的能力。另外,根据所基于的元学习算法的不同,给出了两个不同的模型,即HAMCDR-M模型和HAMCDR-R模型。在亚马逊评分数据集和豆瓣数据集上构建了五个跨域推荐场景,将HAMCDRM和HAMCDR-R模型和现有的模型在各个场景上进行对比分析。实验结果表明,在每个跨域推荐场景上,HAMCDR-M模型和HAMCDR-R模型均表现出更高的性能。