给大家分享5篇关于文本嵌入的计算机专业论文

今天分享的是关于文本嵌入的5篇计算机毕业论文范文, 如果你的论文涉及到文本嵌入等主题,本文能够帮助到你

基于主题感知自编码的兴趣解耦推荐算法研究

这是一篇关于推荐系统,协同过滤,解耦表征学习,文本嵌入,自编码器的论文, 主要内容为最近,解耦表征学习由于其鲁棒性和可靠的解释性,逐渐成为了推荐算法的研究热点。其中,自编码器作为一种简单有效的非线性概率模型,在兴趣解耦推荐算法研究中受到了广泛关注。一方面,物品属性一般具有多个语义主题,现有方法通常忽视了用户在物品多种语义主题上的偏好多样性,仅能捕捉无语义且耦合的兴趣表征,无法实现鲁棒的解释型推荐。另一方面,现有方法挖掘的兴趣表征在特征维度层面仍然可能是耦合的。因此,在特征层面解耦用户偏好表征使得解耦表征的每一维度独立表示一个隐因子,有利于促进兴趣表达的精细化,实现细粒度的兴趣解耦。为解决主题级兴趣解耦问题,提出了一种基于主题级解耦的降噪自编码推荐模型(Topic level disentangled Denoising Auto-Encoder recommender,Topic DAE)。首先,设计了一个基于文本嵌入的主题感知模块,从物品内容信息中挖掘用户在不同语义主题下的交互分布。然后,提出了一种主题级降噪自编码器,生成了主题级解耦的用户兴趣表征。此外,设计了一个主题导向的自监督对比损失,通过利用基于邻域的用户表征来指导主题级用户兴趣解耦表征学习,实现了主题级可解释推荐。为解决特征级兴趣解耦问题,提出了一种基于主题-特征级解耦的变分自编码推荐模型(Topic-feature level disentangled Variational Auto-Encoder,Topic VAE)。首先,基于文本嵌入的主题感知模块和变分自编码器的基本形式提出了主题级变分自编码器,通过变分推理来挖掘主题级解耦的兴趣表征。此外,为了实现细粒度兴趣解耦,设计了基于启发式正则的特征级解耦模块,保证了兴趣表征各维度之间的独立性,进而实现特征级可解释推荐。在三个公开的亚马逊数据集上进行了大量实验,实验结果验证了Topic DAE和Topic VAE的有效性。其中在亚马逊美妆数据集上,Topic VAE能让NDCG@50和Recall@50分别提升17.9%和16.3%。进一步解耦实验分析表明,融入文本信息的Topic DAE和Topic VAE能够使得学习到的兴趣表征具有更高的可解释性。

基于主题感知自编码的兴趣解耦推荐算法研究

中国近代农业团体专题数据库系统的研究与实现

这是一篇关于专题数据库,JavaEE,立体化检索,文本嵌入,个性化推荐的论文, 主要内容为随着信息技术的快速发展,越来越多的纸质资源转为数字化存储,古籍文献资源的管理方式也逐步由人工管理转向基于数据库的信息化管理。数字化的存储和管理不仅能提升文献资源的保护性和共享性,更能提高相关专业人员对文献资源的查找效率。本文构建中国近代农业团体专题数据库系统,并研究和实现电子文献资源的推荐方法。项目依托课题组的研究成果开发。将相应文献资料、资料长编以及编年成果,进行科学分类整理和数字化处理,建立立体化检索体系,构建首个中国近代农业团体资料及研究的大型专题数据库系统。为方便用户检索,提出基于文本嵌入和用户画像的推荐算法,主要工作如下:1)依据课题国家社科基金项目投标书,分析研究者、用户和文献资源之间的交互方式,完成项目的需求设计,技术架构选型、数据库设计和关键功能模块设计。主要功能包括:前台内容展示、后台内容管理、立体化检索、个性化推荐。2)基于Spring、Hibernate、FreeMarker等技术构建中国近代农业团体专题数据库系统。系统提供便捷的检索查询体系,方便高校及研究机构的研究者、政府部门相关人员及普通用户使用。3)提出基于文本嵌入和用户画像的推荐算法,提高为用户推荐文献资源的针对性,提升服务质量。采用TF-IDF方法将文本嵌入到向量空间,利用Cookie机制识别匿名用户,根据用户浏览历史生成用户画像,以欧氏距离作为相似度度量方式,在向量空间中取距离该用户画像最近的前N个未浏览过的内容为用户推荐。算法保证了被推荐的文献资源在内容上关联用户兴趣,提高了用户的使用感受。