推荐9篇关于超图神经网络的计算机专业论文

今天分享的是关于超图神经网络的9篇计算机毕业论文范文, 如果你的论文涉及到超图神经网络等主题,本文能够帮助到你

基于语义引导的多场景化推荐系统

这是一篇关于多场景推荐,多行为推荐,超图神经网络,对比学习,数据去噪的论文, 主要内容为互联网的迅速发展给用户生活提供了丰富多样的信息内容,但同时也让用户埋没在了海量信息数据中,无法从中快速且精准的找到自己兴趣点。为了缓解信息过载问题,研究者们设计了一系列智能化推荐系统,帮助用户在海量信息中找到自己的兴趣点。然而,现有推荐系统技术在从用户的历史交互数据中挖掘用户的兴趣偏好时,忽略了用户与商品产生交互时用户所处的时间、地点、天气等可能影响用户偏好的背景因素和用户行为的多样性,且疏忽了用户历史行为交互数据中存在噪声和偏差问题,从而导致对用户的偏好学习不全面、与用户真实偏好存在偏差,进而影响推荐效果。近些年,各大电商平台为了满足用户在不同情形下的推荐需求,引入了“场景”的概念来为用户的偏好推断提供更细粒度的指导。场景是一系列具有语义信息的场景因素的组合,如时间、地点、用户不同类型的交互行为等场景因素的组合,这样的组合通常能够表示用户在某些情形下的特定意图。为进一步挖掘用户在不同场景中的推荐需求,并从用户多行为隐式反馈数据中挖掘用户的真实意图,给用户提供准确高效的个性化推荐服务,本文从场景的语义信息出发,围绕场景的标签语义信息和用户在场景中的多行为语义信息展开研究,并分别在多场景推荐任务和多行为推荐任务中提出了基于场景标签语义联系的多场景推荐系统模型(Semantic-guided Hypergraph Neural Network,SHNN)和基于用户多行为语义对齐的多场景推荐系统框架(Multi-Behavior Alignment,MBA)。SHNN基于大规模自然语言预训练模型,利用场景标签语义信息构建了场景之间的语义联系,并通过超图卷积网络在场景间跨场景迁移用户偏好,同时设计了自监督任务来缓解场景间数据不平衡带来的表示不充分的问题。MBA基于Kullback-Leibler divergence(KL散度)对齐用户不同行为下的语义信息,通过使用多种类型的用户行为数据推断出用户的真实偏好,在执行数据去噪的同时,在用户不同行为偏好与用户真实偏好之间实现有效的知识迁移。在多场景推荐任务上,由于相关数据集匮乏,本文在中国电商平台中收集了大规模多场景数据集并进行了大量实验分析。在多行为推荐任务上,本文使用两个公开的基准数据集和本文在中国电商平台中收集的大规模多行为数据集进行了大量实验分析。与现有方法相比,SHNN和MBA分别在多场景推荐任务和多行为推荐任务中有显著的效果提升。本文额外设计了相关的分析实验,以解释场景标签语义信息和用户多行为语义信息对于多场景推荐系统的影响。

基于语义引导的多场景化推荐系统

基于图神经网络的推荐算法研究

这是一篇关于图卷积神经网络,图数据增强,注意力机制,门控机制,超图神经网络,推荐模型的论文, 主要内容为推荐系统发挥在提升网络产品的用户体验发挥着日益重要的作用。推荐系统的本质是对用户画像进行刻画,预测用户可能会交互的项目。虽然基于协同过滤的推荐模型一直是基本范式,但模型性能提升的关键还是建模用户和项目之间的协作信号。由于图神经网络的推荐算法在捕获用户和项目之间的协作信号上具有优势,将图神经网络与推荐任务相结合成为了研究热点。在以往的研究工作发现,图神经网络在编码节点特征时存在着一些问题,本文就这些问题展开研究。在图神经网络与推荐任务相结合时,一方面会出现由于历史交互数据中的噪声导致在构建交互图存在无用链接的问题。另外一方面图卷积神经网络在进行嵌入传播时依据图结构识别各个邻居的重要性会妨碍图节点进行表示学习。为此提出了基于图对比学习和注意力机制的推荐模型。在模型中,图节点随机退出、连接边随机丢失和随机游走这三种图数据增强策略以降低噪声数据在图嵌入传播中的影响。模型在图卷积神经网层融合注意力机制以动态分配不同节点邻居的权重,提升了图卷积神经网络的节点特征表示能力。基于图卷积神经网络的推荐模型在叠加过多的图卷积层时会使得节点特征出现过度平滑效应,另外基于二部图的嵌入传播方式也会使得模型无法学习到用户节点和项目节点的全局协同信号。为此提出了基于门控机制的超图神经网络推荐模型。该模型在普通图嵌入传播的基础上加入超图嵌入传播,使节点同时获得局部协同关系和全局协作信号。该模型中的门控机制可以改善图节点特征的迭代更新机制,该机制可以抑制节点出现过度平滑效应,让节点特征在迭代更新中保留更加有效的特征成分。本文提出的两种模型在公开的数据集上验证了推荐性能上的提升,并通过消融实验,验证了模型各个模块的有效性。

基于语义引导的多场景化推荐系统

基于图神经网络的文本分类方法研究

这是一篇关于地理信息文本,用户检索日志,文本分类,图注意力网络,超图神经网络的论文, 主要内容为文本分类是自然语言处理领域的重要分支,近年来吸引了众多科研工作者的关注。由于文本数据易于编辑等特点,网络中大部分文本是由用户手动构建并上传。因此,对网络文本的规范化处理并进行不同粒度的文本分类对信息检索领域有着至关重要的意义。传统的文本分类是将文本作为序列化的信息来进行处理,使用一条文本中前面的序列预测后面的序列、通过中心词对上下文进行预测等方式,使分类器在继承旧序列信息的同时学习新序列的知识,从而编码整个文本序列的信息。由于文本类数据集中不仅包含有序列信息,文本之间还隐含着类似图结构的相互作用关系,例如:知识图谱、社交网络等。为了对此类信息进行建模,近几年,基于图神经网络的文本建模方法逐渐引起了研究者的注意,该类网络能够将序列化的文本数据构建为图结构数据,将文本中的字、词乃至整条文本作为图的节点,文本之间的相互作用关系作为边,通过节点之间的边传递信息以特征聚合。基于上述所说,本文以图神经网络为研究方法,地理文本和用户检索日志文本作为研究对象进行文本分类任务。本文的主要研究内容如下:(1)针对地理文本的二分类问题,本文提出了一种基于注意力机制的图神经网络。该方法首先将地理文本中的地理信息构建为具有全局信息的图结构文本,然后在图卷积网络的基础上引入了注意力机制对地理文本中的地理信息赋予更高的权重,增强图注意力网络捕获文本中关键信息的能力,实现从网络数据中识别出蕴含地理信息的地理文本,本质上属于文本二分类任务。为了验证上述两种方法的有效性,本文构建了包含地理信息的文本二分类数据集用于验证图注意力网络的有效性,为了使模型识别含有地理信息的文本,总结了现有公开的中文数据集,手动标注并构建了适用于地理文本分类的中文数据集。(2)针对用户检索日志文本的多分类问题,本文提出了一种基于分散-聚合的超图神经网络。该模型的目标是利用用户在搜索引擎中输入的检索文本配合检索结果来识别用户真实的检索意图,本质上属于文本多分类任务。该方法还解决了对大规模用户检索日志文本数据建模的问题,同时能够识别文本间的高阶语义信息来完成文本多分类。模型将百万级别的数据集分为多个小型的子数据集,对每个子数据集构建超图并在隐式特征水平聚合,通过分散-聚合的方法不仅完成了大规模的用户意图识别任务,还能够生成全量数据集的全局特征表示。为了验证模型的有效性,本文构建了包含多属性用户搜索日志的文本多分类数据集。数据集包含300万用户搜索引擎中的搜索日志,每条日志包含文本字段和标签字段。此数据用于验证超图网络模型生成全局特征和高精度文本分类的能力。

基于超图的强化会话推荐算法研究

这是一篇关于会话推荐,强化学习推荐,超图神经网络,图神经网络,自注意力机制的论文, 主要内容为出于对用户信息的保护,在常见的会话推荐场景下匿名用户交互会话越来越多,以匿名会话为主的会话推荐系统逐渐发展起来。但是目前会话推荐领域通常使用的监督学习建模方法存在次优推荐问题,且使用监督强化学习来解决这个次优推荐问题的研究又比较少。为了增强会话推荐系统在匿名环境下的推荐效果,本文利用监督强化学习推荐框架从全局会话超图和局部会话图两个方面将不同会话中项目的复杂依赖关系融入到强化学习的状态表示中,并在此基础上研究了基于超图的近邻会话获取方法以生成更优的推荐结果。首先,为了解决监督会话推荐算法中存在的次优推荐问题并为强化学习算法构建一种更好的状态表示方法,本文提出了一种基于全局超图会话和局部会话图的强化会话推荐模型(Supervised Reinforcement Session Recommender Model Based on Global Hypergraph and Local Session Graph,HG-SRL)。在该模型中,本文首次提出了一种基于全局超图和局部会话图的状态表示方法来填补监督强化学习推荐算法在图状态构建方法上的空白。该方法通过超图卷积网络获取全局会话超图中包含的高阶项目关系,通过门控图神经网络挖掘局部会话图中包含的成对项目依赖关系。其次,为了充分利用到不同层级上的会话信息,本文提出了一种自匹配注意力机制对全局和局部两个层面上的会话信息进行融合,通过对两个角度上的会话项目特征进行交叉计算以将其包含的不同层级的特征信息嵌入到最终的图状态表示中。再次,为了让强化学习的状态表示更加全面,本文基于全局会话超图提出了一种挖掘每个匿名会话的近邻会话的方法,通过在全局会话超图上获取的项目邻接关系来补充实时会话的近邻侧信息,进而让状态中包含更多的近邻项目特征。最后,在三个真实数据集上进行的有效性实验和对比实验表明,本文提出的基于全局会话超图和局部会话图的强化会话推荐模型在匿名会话数据上可以有效的提升推荐性能。