推荐7篇关于递归神经网络的计算机专业论文

今天分享的是关于递归神经网络的7篇计算机毕业论文范文, 如果你的论文涉及到递归神经网络等主题,本文能够帮助到你

基于注意力机制的产品评论方面级情感分析方法研究

这是一篇关于产品评论,方面级情感分析,位置信息,注意力机制,递归神经网络的论文, 主要内容为随着互联网在国内外的发展,在线购物、在线点餐以及在线打车等平台受到了人们的广泛青睐。人们习惯通过在电商平台消费后将自己对产品的体验感受进行了阐述,从而获得了大量的评论文本。当我们想要快速了解产品信息的时候就可以通过每条评论推断出该产品的好坏,这样不仅帮助了用户快速定位到产品的具体某个方面的评价信息,而且也帮助了商家对产品某个方面进行高效优化。因此,方面级的情感分析在工业界也得到了很高的关注度。在传统情感分析方法中不仅需要耗费大量的人工要对文本进行标记还要进行特征提取,而且最终的精确度却没有很高。然而,深度学习的方法克服了传统的情感分析方法的缺点逐渐成为了学者们的首选技术。方面级情感分析是情感分析任务中一项细粒度的分类任务。这种任务可以通过给定句子提取出方面词以及方面词所对应的情感极性。虽然现在大多数的研究的效果都取得了较好的结果,但是一部分的研究者忽略了句子中的位置信息的作用以及不能充分注意到方面词相关的最优的向量信息,因此本文提出了研究点一,该研究是基于联合方面和位置层次注意机制网络的方面级的情感分析,这个方法通过将位置信息的结合,进一步的加强了特征信息,从而提高了最终模型的性能。但是这种方法采用了长短期记忆网络,这种模型虽然可以对序列信息有较长的依赖,但是长短期记忆网络不能实现并行化的问题使得计算量较大。基于这个问题,我们又提出了研究点二,该研究是基于位置的双向注意力机制网络的方面级的情感分析。主要工作如下:(1)由于许多模型忽略了位置信息对方面术语的重要性。为了解决这个问题,我们在模型中增加了位置信息特征。现有研究表明,对于方面级的情感分析来说,方面词与上下文之间的相互作用是非常重要的。利用这一思路,本文提出了一种联合方面和位置层次注意机制。同时,该模型采用了联合方法建立方面词的特征信息和位置特征信息的模型。一方面,当输入词向量信息时这种方法能够清晰地捕获到方面词与上下文之间的交互作用。另一方面,该方法可以提高句子中位置信息的重要性,从而提高模型的信息检索能力。此外,该模型利用层次注意机制来提取特征信息,从而得到不同的情感极性,这样的方式类似于再次过滤了句子中的无用信息。通过在餐厅数据集和笔记本电脑数据集上采用多个基准模型的实验表明,我们的模型不论在餐厅数据集还是在笔记本电脑数据集上性能都得到了一定的提升。(2)在以往的工作中,许多研究人员都是基于递归神经网络的变体来提取特征信息的。由于递归神经网络不能对数据进行并行处理使得网络的数据计算缓慢,而且当序列的长度超过一定的限制时,递归神经网络也会存在梯度消失的问题。因此,对于以上问题,我们提出了一种基于位置语法依赖矩阵的双向注意力网络来克服递归神经网络的不足。首先,该模型采用了多头注意机制和卷积网络来提取句子中的重要特征信息。其次,该模型对位置相关矩阵和上下文嵌入相结合,从而增强了句子中单词的位置信息。最后,该网络利用双向注意机制,更准确地定位和识别方面词并且对重要信息进行加权,从而更好地判断方面词对应的情感方向。通过在数据集上对模型进行测试以及与其他基准模型对比后发现,我们的模型的效果得到了一定的提升。

基于Time-LSTM的推荐系统

这是一篇关于推荐系统,递归神经网络,LSTM,深度学习的论文, 主要内容为最近几年来,用递归神经网络被越来越广泛的应用于推荐系统。其背后的原因是,用户的行为序列中存在一些固有的模式,而递归神经网络往往能很好的挖掘出这些模式。递归神经网络被证明在对顺序数据进行处理时具有非常出色的效果,比如语言模型。但是递归神经网络通常只考虑对象的顺序,而没有时间间隔的概念。而在推荐系统中,用户行为之间的时间间隔对于推测用户行为之间的关系是非常重要的,而传统的递归神经网络并不能很好的利用时间间隔的信息。在本文中,我们提出了一种新的递归神经网络LSTM结构,即Time-LSTM,来对用户产生的序列化数据进行建模并构建推荐系统。相比于传统的LSTM,Time-LSTML具有额外的时间门来有效地处理时间间隔。这些时间门经过专门设计,与传统的递归神经网络方法相比,Time-LSTM能更好地计算出用户的短期兴趣和长期兴趣,从而提高推荐系统的性能。为了证明模型的有效性,我们在两个公开的推荐系统数据集上做了充分的实验,实验表明使用Time-LSTM的推荐方法优于传统的RNN模型和推荐系统的其他传统方法。

基于异质图的推荐模型研究

这是一篇关于推荐系统,异质图,知识图谱,注意力机制,递归神经网络的论文, 主要内容为协同过滤推荐算法仅从用户与项目的历史交互数据中挖掘用户的偏好信息,其优点是计算简单,但存在数据稀疏性问题,即用户与项目交互数据中存在大量的零值或缺失值。当前的研究趋势是在推荐算法中引入辅助信息来解决上述问题,进而提升推荐性能。知识图谱是一种异质信息网络图,蕴含大量的关系语义信息,能弥补用户与项目交互数据的稀疏或缺失,因此可以作为辅助信息融合到推荐系统中。本文对基于异质图的推荐模型展开了研究,其主要工作和创新如下:针对传统协同过滤推荐算法存在的数据稀疏性问题,本文提出了一种基于知识图谱的邻居信息聚合推荐模型。一方面,该模型将用户的历史偏好和候选项目分别与知识图谱中的实体匹配,并作为中心节点,沿着不同的链接关系向外扩展至更多的邻居实体,采用图卷积网络聚合邻居信息以丰富用户和项目特征表示;另一方面,考虑到如果无差别地聚合所有邻居信息,易导致中心节点的特征信息缺乏表示能力,本文引入自注意力机制关注节点之间的链接关系,从而有偏重地聚合节点的邻居信息。本文在两个公开地数据集上对模型进行了实验验证,其结果表明,在点击率预测和Top-K推荐任务中,该模型与现有的推荐模型相比,推荐准确率有较大的提升。针对推荐系统中的数据稀疏性问题,本文提出了一种基于递归神经网络和知识图谱的推荐模型。考虑到现有的基于图嵌入的推荐模型忽略了用户与项目交互的重要性,以至于学习的嵌入表示不能有效地表达用户兴趣。本文首先使用改进的递归神经网络从用户的历史交互序列中提取用户局部兴趣特征和项目潜在特征,这样有利于获取真实的用户偏好;其次,为了将知识图谱中的实体信息传递至用户和项目原始特征中,本文提出了一个新的实体感知嵌入方法,直接将用户与历史项目之间的协作信息融合到实体中,从全局角度探索用户的兴趣特征;最后通过集成用户的局部兴趣特征和全局兴趣特征完成推荐任务。本文在两个真实数据集上进行实验,实验结果证明了该模型与现有的推荐模型对比,有更高的推荐准确率。

基于.NET的多终端远程心电监护系统的软件设计

这是一篇关于心电监护,.NET,睡眠呼吸暂停,递归神经网络的论文, 主要内容为心血管疾病是循环系统的一种疾病,具有发病快、来势凶的特点,是人类的身体健康与生命安全的一大威胁。心电监护仪可以用于心血管疾病的检测与监护,是医院中必不可少的器材。然而临床环境中分散的仪器增加了医护人员的工作量,甚至可能出现医护人员未能及时获取信息而贻误救治时机的悲剧。因此,可以远程、集中展示多个病人心电图的监护系统具有很好的研究意义和医疗前景。论文基于.NET框架,设计并实现了一款可兼容不同类型心电监护仪,并实时转发、呈现、分析、存储心电数据的软件系统。该系统主要包括转发客户端、显示客户端以及服务器三个部分。转发客户端负责连接监护仪与服务器。显示客户端负责实时呈现多个病人的心电数据,并根据用户操作对指定病人的心电监护仪下发命令、查看其历史数据等。服务器将采用MySQL数据库存储病人、设备的信息,采用二进制文件存储心电数据。因为市场上存在着各种类型的心电监护仪,可拓展性是本系统研究的重点,围绕此需求论文在实现上述功能的基础上完成了以下工作:1)设计了规范化的、高度可拓展的系统架构。论文抽象出不同类型监护仪的共同特点,设计了高度概括的接口、父类,严格遵循依赖倒转原则(Dependence Inversion Principle,DIP),并使用了简单工厂、适配器等设计模式,为后续开发打下了良好的基础。2)设计了通用的通讯流程和通信协议。论文深入研究了不同厂家心电监护仪的工作流程,在此基础上设计了一套通用的通讯流程和通信协议。转发客户端接收到监护仪发送的数据后,对其进行解析并按照统一协议重新封包再进行转发,以保证此后的所有模块可以屏蔽不同厂家的机器带来的差异。此外本系统还结合递归神经网络(RNN)技术,设计并实现了一种通过心电信号检测睡眠呼吸暂停综合征(Sleep Apnea Syndrome,SAS)的算法,正确率达到了 84.38%。此算法可以通过极易获得的心率序列判断被测试人在每一分钟内是否发生了睡眠呼吸暂停,大大简化了初筛SAS所需要的硬件条件。

基于异质图的推荐模型研究

区域停电判别系统的设计与实现

这是一篇关于大数据,区域停电判别,差分自回归移动平均算法,递归神经网络的论文, 主要内容为随着经济的飞速发展和人们生活水平不断提高,人们正常的生产生活越来越离不开电力的稳定供应,然而停电事件时有发生,严重地影响了人们生活,更为严重的是危及人们生命安全。有效识别电网停电事件是实现智能电网自愈功能的重要部分,当电网出现停电事件时,监测系统将采集到的海量停电信息数据上送至采集中心,电网停电判别系统能够从上送的海量信息中迅速筛选出停电相关数据,及时判别出停电事件,辅助工作人员和维修人员实时对事故分析与处理,快速恢复供电,保证电网的安全可靠运行。本论文旨在海量数据资源的基础上,并将大数据分析挖掘等智能化手段运用于区域停电判别中,利用相关算法建立准确的区域停电判别模型,以此为支撑建立区域停电判别系统。从海量数据中挖掘出关键性信息,精准判别区域停电情况,保障电力系统的稳定性,提高用户用电服务质量,确保电网安全、稳定和经济运行。目前的区域停电判别研究中,专家学者主要关注大范围停电,通过线路故障、电网设备使用性能等方面进行事前预测。但随着智能电网的发展和用户对用电服务质量的要求不断提升,电网停电不仅要关注大范围停电和停电事件的事前预警,还应重视到局部小范围的停电和停电事件发生后的及时发现和处理,因为小范围停电同样会影响到人们的生活,且事件的及时发现和处理反映着电网公司的服务质量和用户体验,同时关系着社会的安定有序。利用电力系统中的海量数据,建立停电判别模型,并根据判别模型准确判别出停电事件,是现在区域停电判别的首要任务和基础。本系统首先进行了详尽的需求分析,对系统进行了概要设计和详细设计,利用统一建模语言(UML)对系统进行了建模分析。本论文分析了解区域停电判别业务逻辑,深入研究影响区域停电的主要因素,收集用电信息采集系统、营销系统的信息,结合天气信息,根据业务背景分析将区域停电分为重点用户停电和台区停电两种。对于重点用户停电判别来说,通过大数据统计分析,结合重点用户的高可靠性特点,建立停电判别规则库判别;对于台区停电来说,考虑到业务上的终端轮换策略所造成的停电规则改变,将台区停电分为两类:1)对于轮换后存在停电数据的台区,利用差分自回归移动平均算法(ARIMA)、广义自回归条件异方差算法-差分自回归移动平均算法(GARCH-ARIMA)和递归神经网络(RNN)算法建立区域停电判别模型,产生停电判别规则,并随时间不断更新;2)对于轮换后未存在停电数据的台区,选择灰色关联分析和余弦相似性算法建立区域停电判别模型。按照创建的区域停电判别模型,可以有效提高系统的判断准确度,有效减少判别时间,加快停电处理时间,减少经济损失。以区域停电判别模型为基础,基于软件工程的思想,利用MVC架构模式,利用J2EE为技术平台,采用Java语言进行编写,并使用B/S架构设计系统,建立区域停电判别系统,系统前端部分主要是直观展示区域停电情况及各采集数据的详情。后端部分主要根据采集的数据进行判别及时发现区域停电情况,并对可能发生停电的区域进行预警,多角度多维度分析停电或故障原因,及时维修,提高供电可靠性。