基于SE-Net与Context-Gating的推荐算法的研究
这是一篇关于推荐算法,双塔模型,图嵌入,SE-Net,Context-Gating的论文, 主要内容为随着互联网信息技术的飞速发展,网络信息数据呈现出几何级别的爆炸增长态势,由此引发“信息过载”的问题。个性化的推荐系统能很好的解决这一问题。在推荐系统中,推荐算法的选择决定了推荐系统的质量。在工业级别的推荐系统中,推荐算法分为两步,分别是召回层和排序层。召回层高效快速的从数以亿计的原始物品库中选出用户感兴趣的几百个物品,排序层对挑选出的候选物品集进行精准排序以推荐给每个用户。本文主要研究召回层算法和排序层算法,包括如下内容:(1)在召回层提出一种基于SE-Net的双塔模型和图嵌入的双路召回算法。在双塔模型中引入SE-Net模块用以解决原双塔模型中用户塔与物品塔中特征交叉过晚的问题,通过实验验证改进后的双塔模型相比原模型召回命中率提升5%。在图嵌入召回中采用EGES算法,不同于原EGES算法中采用Deep Walk随机游走,本次实验中选取Node2Vec游走形式实现EGES图嵌入召回,最后将两种召回结果采用Light GBM模型进行融合形成双路召回。实验证明这种双路召回在实际的电商数据集中的召回效果要好于单路召回。(2)将上下文门控机制Context-Gating引入排序层的算法中,在已有的Wide&Deep模型、Deep FM模型中添加Context-Gating模块将原模型改进为CGWD、CGDFM模型,利用上下文门控机制进一步加强主体特征抑制背景特征。通过在Movie Lens-20M电影数据集上进行验证得出改进后的模型在AUC指标上分别提升了1.60%和0.94%。
基于深度学习的生产车间安全管控系统
这是一篇关于安全管控系统,安全帽佩戴检测算法,YOLOv5,SE-Net,DenseNet的论文, 主要内容为重工业是我国国民经济的脊梁,随着社会的发展、科技的进步,我国对重工业生产的安全管控有了更高的要求。目前,市场上的系统功能比较简单且偏向于业务管理,存在智能化低、安全性低的问题。基于深度学习的生产车间安全管控系统的开发一方面丰富了系统的功能模块,另一方面实现了安全帽佩戴检测算法,有利于提高系统的智能化和安全管控的能力,具有较强的现实意义。本文基于B/S架构构建生产车间安全管控系统,该系统采用Spring Boot和Vue对前后端进行分离式开发,使用My SQL、Redis构建分布式数据库。该系统包含六大功能模块,分别是人员管理模块、访客管理模块、告警管理模块、视频巡检模块、设备管理模块和危险作业管理模块。人员管理模块对员工、VIP、黑名单人员的信息进行管理。访客管理模块控制访客进出公司场地的申请、批准等流程。告警管理模块实现安全帽佩戴检测算法,通过设置分析任务和告警规则触发设备告警,实现实时告警。视频巡检模块可以制定巡检计划对生产过程进行巡检并上报巡检记录。设备管理模块管理公司设备。危险作业管理模块管理危险作业的申请、执行、变更、关闭等,在危险作业进行过程中,巡检人员可以在视频巡检模块对不同区域的工作情况进行巡查。在告警管理模块本文实现基于YOLOv5的安全帽佩戴检测算法,该算法对原始的Yolov5算法的CSP模块进行了两方面的改进,从而提高算法对小目标的检测能力。首先,将Dense Net和CSP相互融合,利用Dense Block紧密连接的特性,最大程度地提高网络对特征信息的提取能力以提高对小目标检测的能力。其次,在CSP的Conv后加入SE-Net注意力机制,使得网络更加关注小目标的特征信息,从而提高对小目标特征信息的提取能力。通过仿真试验,得出改进后的算法的准确性为96.2%。对比实验结果表明,在自制安全帽佩戴检测数据集或VOC2028公开数据集上,本文算法的m AP相比原始YOLOv5网络提高了。本文提出的基于YOLOv5的安全帽佩戴检测算法对安全帽检测的效果更好。本系统目前已经在多家公司投入使用,为公司提供了便捷的服务,节省了人力物力财力,有效减少了生产车间的安全事故发生率。
基于SE-Net与Context-Gating的推荐算法的研究
这是一篇关于推荐算法,双塔模型,图嵌入,SE-Net,Context-Gating的论文, 主要内容为随着互联网信息技术的飞速发展,网络信息数据呈现出几何级别的爆炸增长态势,由此引发“信息过载”的问题。个性化的推荐系统能很好的解决这一问题。在推荐系统中,推荐算法的选择决定了推荐系统的质量。在工业级别的推荐系统中,推荐算法分为两步,分别是召回层和排序层。召回层高效快速的从数以亿计的原始物品库中选出用户感兴趣的几百个物品,排序层对挑选出的候选物品集进行精准排序以推荐给每个用户。本文主要研究召回层算法和排序层算法,包括如下内容:(1)在召回层提出一种基于SE-Net的双塔模型和图嵌入的双路召回算法。在双塔模型中引入SE-Net模块用以解决原双塔模型中用户塔与物品塔中特征交叉过晚的问题,通过实验验证改进后的双塔模型相比原模型召回命中率提升5%。在图嵌入召回中采用EGES算法,不同于原EGES算法中采用Deep Walk随机游走,本次实验中选取Node2Vec游走形式实现EGES图嵌入召回,最后将两种召回结果采用Light GBM模型进行融合形成双路召回。实验证明这种双路召回在实际的电商数据集中的召回效果要好于单路召回。(2)将上下文门控机制Context-Gating引入排序层的算法中,在已有的Wide&Deep模型、Deep FM模型中添加Context-Gating模块将原模型改进为CGWD、CGDFM模型,利用上下文门控机制进一步加强主体特征抑制背景特征。通过在Movie Lens-20M电影数据集上进行验证得出改进后的模型在AUC指标上分别提升了1.60%和0.94%。
基于SE-Net与Context-Gating的推荐算法的研究
这是一篇关于推荐算法,双塔模型,图嵌入,SE-Net,Context-Gating的论文, 主要内容为随着互联网信息技术的飞速发展,网络信息数据呈现出几何级别的爆炸增长态势,由此引发“信息过载”的问题。个性化的推荐系统能很好的解决这一问题。在推荐系统中,推荐算法的选择决定了推荐系统的质量。在工业级别的推荐系统中,推荐算法分为两步,分别是召回层和排序层。召回层高效快速的从数以亿计的原始物品库中选出用户感兴趣的几百个物品,排序层对挑选出的候选物品集进行精准排序以推荐给每个用户。本文主要研究召回层算法和排序层算法,包括如下内容:(1)在召回层提出一种基于SE-Net的双塔模型和图嵌入的双路召回算法。在双塔模型中引入SE-Net模块用以解决原双塔模型中用户塔与物品塔中特征交叉过晚的问题,通过实验验证改进后的双塔模型相比原模型召回命中率提升5%。在图嵌入召回中采用EGES算法,不同于原EGES算法中采用Deep Walk随机游走,本次实验中选取Node2Vec游走形式实现EGES图嵌入召回,最后将两种召回结果采用Light GBM模型进行融合形成双路召回。实验证明这种双路召回在实际的电商数据集中的召回效果要好于单路召回。(2)将上下文门控机制Context-Gating引入排序层的算法中,在已有的Wide&Deep模型、Deep FM模型中添加Context-Gating模块将原模型改进为CGWD、CGDFM模型,利用上下文门控机制进一步加强主体特征抑制背景特征。通过在Movie Lens-20M电影数据集上进行验证得出改进后的模型在AUC指标上分别提升了1.60%和0.94%。
基于SE-Net与Context-Gating的推荐算法的研究
这是一篇关于推荐算法,双塔模型,图嵌入,SE-Net,Context-Gating的论文, 主要内容为随着互联网信息技术的飞速发展,网络信息数据呈现出几何级别的爆炸增长态势,由此引发“信息过载”的问题。个性化的推荐系统能很好的解决这一问题。在推荐系统中,推荐算法的选择决定了推荐系统的质量。在工业级别的推荐系统中,推荐算法分为两步,分别是召回层和排序层。召回层高效快速的从数以亿计的原始物品库中选出用户感兴趣的几百个物品,排序层对挑选出的候选物品集进行精准排序以推荐给每个用户。本文主要研究召回层算法和排序层算法,包括如下内容:(1)在召回层提出一种基于SE-Net的双塔模型和图嵌入的双路召回算法。在双塔模型中引入SE-Net模块用以解决原双塔模型中用户塔与物品塔中特征交叉过晚的问题,通过实验验证改进后的双塔模型相比原模型召回命中率提升5%。在图嵌入召回中采用EGES算法,不同于原EGES算法中采用Deep Walk随机游走,本次实验中选取Node2Vec游走形式实现EGES图嵌入召回,最后将两种召回结果采用Light GBM模型进行融合形成双路召回。实验证明这种双路召回在实际的电商数据集中的召回效果要好于单路召回。(2)将上下文门控机制Context-Gating引入排序层的算法中,在已有的Wide&Deep模型、Deep FM模型中添加Context-Gating模块将原模型改进为CGWD、CGDFM模型,利用上下文门控机制进一步加强主体特征抑制背景特征。通过在Movie Lens-20M电影数据集上进行验证得出改进后的模型在AUC指标上分别提升了1.60%和0.94%。
基于深度学习的生产车间安全管控系统
这是一篇关于安全管控系统,安全帽佩戴检测算法,YOLOv5,SE-Net,DenseNet的论文, 主要内容为重工业是我国国民经济的脊梁,随着社会的发展、科技的进步,我国对重工业生产的安全管控有了更高的要求。目前,市场上的系统功能比较简单且偏向于业务管理,存在智能化低、安全性低的问题。基于深度学习的生产车间安全管控系统的开发一方面丰富了系统的功能模块,另一方面实现了安全帽佩戴检测算法,有利于提高系统的智能化和安全管控的能力,具有较强的现实意义。本文基于B/S架构构建生产车间安全管控系统,该系统采用Spring Boot和Vue对前后端进行分离式开发,使用My SQL、Redis构建分布式数据库。该系统包含六大功能模块,分别是人员管理模块、访客管理模块、告警管理模块、视频巡检模块、设备管理模块和危险作业管理模块。人员管理模块对员工、VIP、黑名单人员的信息进行管理。访客管理模块控制访客进出公司场地的申请、批准等流程。告警管理模块实现安全帽佩戴检测算法,通过设置分析任务和告警规则触发设备告警,实现实时告警。视频巡检模块可以制定巡检计划对生产过程进行巡检并上报巡检记录。设备管理模块管理公司设备。危险作业管理模块管理危险作业的申请、执行、变更、关闭等,在危险作业进行过程中,巡检人员可以在视频巡检模块对不同区域的工作情况进行巡查。在告警管理模块本文实现基于YOLOv5的安全帽佩戴检测算法,该算法对原始的Yolov5算法的CSP模块进行了两方面的改进,从而提高算法对小目标的检测能力。首先,将Dense Net和CSP相互融合,利用Dense Block紧密连接的特性,最大程度地提高网络对特征信息的提取能力以提高对小目标检测的能力。其次,在CSP的Conv后加入SE-Net注意力机制,使得网络更加关注小目标的特征信息,从而提高对小目标特征信息的提取能力。通过仿真试验,得出改进后的算法的准确性为96.2%。对比实验结果表明,在自制安全帽佩戴检测数据集或VOC2028公开数据集上,本文算法的m AP相比原始YOLOv5网络提高了。本文提出的基于YOLOv5的安全帽佩戴检测算法对安全帽检测的效果更好。本系统目前已经在多家公司投入使用,为公司提供了便捷的服务,节省了人力物力财力,有效减少了生产车间的安全事故发生率。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52623.html
