基于图神经网络的协同过滤推荐算法研究
这是一篇关于推荐系统,协同过滤,图神经网络,图增强,图匹配的论文, 主要内容为现如今,个性化的推荐系统是建立在海量数据挖掘的基础上,根据用户的历史信息数据,如兴趣偏好和历史消费行为,向用户推荐他们感兴趣的信息和商品。因此,如何从用户的历史信息中学习用户的个性偏好已成为科研界的一个热门的研究任务。然而,随着越来越多的商品和服务进入市场,用户历史数据变得越来越复杂,推荐任务也面临着极大的挑战。传统的基于协同过滤的推荐方法已经不能满足当前推荐任务的需求。但是,随着图神经网络技术的发展,为推荐任务带来了新的机遇。现如今,基于图神经网络的推荐系统已广泛应用于社交媒体和电商平台等多个领域。它将用户历史信息构造成图网络结构,可以帮助系统更好地理解和分析用户的喜好和兴趣。基于此,本论文主要研究的是基于图神经网络的协同过滤推荐方法,共提出了三种不同的图推荐方法,分别是:(1)融合图增强和采样策略的图卷积协同过滤。针对现有基于图卷积网络的协同过滤模型存在的两个问题,大多数原始图因存在噪声及数据稀疏问题会严重损害模型性能;此外,对于大型用户项目图来说,传统GCN中的显式消息传递减慢了训练时的收敛速度,削弱了模型的训练效率。针对上述两点,提出了一种融合图增强和采样策略的图卷积协同过滤模型,即为EL-GCCF(Graph Convolution Collaborative Filtering model combining Graph Enhancement and Sampling Strategies)方法。首先,图初始化学习模块通过生成两种图结构,综合考虑了图中的结构和特征信息,对原始图进行了增强,有效缓解了噪声问题。其次,通过多任务的约束图卷积跳过了显式的消息传递,利用辅助采样策略有效缓解了训练中的过度平滑问题,提高了模型的训练效率。(2)融合属性感知和图匹配的图神经协同过滤模型。用户和项目的属性交互可以分为内在属性交互和交叉属性交互,内在属性交互在于学习用户或者项目的内部特征,交叉属性交互则是学习用户和项目之间的交互特征。然而,以往的推荐模型并没有区分这两种交互,这可能会在学习交互信息时丢失许多有效数据。针对上述问题,本文提出了一种融合属性感知和图匹配的图神经协同过滤模型,即为GNAGM(Graph Neural Collaborative Filtering Model combining Attribute Awareness and Graph Matching)方法。该方法首先将用户和项目表示为图结构,然后使用神经网络学习图的嵌入表示。其次,使用图表示匹配算法来学习用户和物品之间的相似性,从而进行推荐。通过将神经网络和图表示匹配算法结合起来,该方法可以更好地捕捉用户和物品之间的复杂关系,并且在推荐性能方面具有更好的表现。(3)融合双向深度感知和社交关系的图卷积协同过滤模型。现有的协同过滤模型还存在两个未被充分研究的问题:首先,对于用户兴趣,已有的方法仅对候选项目中的好友信息进行聚合,这些浅层的上下文信息聚合使得它们被有限的朋友信息所困扰。其次,对于项目的吸引力,如果项目的过往消费者为目标用户的好友,或者消费习惯相似的用户,那么这类项目可能更具吸引力。但是,当前大多数方法都忽略了这种深度上下文感知信息。针对上述问题,本文提出了一种融合双向深度感知和社交关系的图卷积协同过滤模型,即为BIDCA(Graph Convolutional Collaborative Filtering Model Combining Bi-directional Deep Context Awareness and Social Relationships)方法。首先,通过协同相似性关系构建两种图结构。其次,使用感知图神经网络对协同相似性图和社交网络图上的协同和社交关系进行建模,捕获图网络结构中的高阶关系,并在此基础上使用双向深度信息感知来捕获社交信息和项目的吸引力。
知识图谱问答中的图匹配方法研究
这是一篇关于知识图谱,问答系统,图匹配的论文, 主要内容为知识图谱问答系统通过提供一个自然语言形式的交互接口,以方便用户快速准确地检索蕴含在知识图谱中的答案。其实现范式通常是将用户的问题翻译为对应的SPARQL查询语句,进而借助该查询语句从知识图谱中取回目标信息。从语义解析的角度对该过程进行考察后会发现:如何在解析用户问句时准确提取问句中的实体和关系,如何从知识图谱中提取和用户查询意图相关的候选子图集合,以及如何对候选子图进行排序来返回用户所需的答案,这三个问题直接影响了知识图谱问答系统返回答案的质量高低。为了应对上述三个问题,关键在于如何准确理解用户的查询意图并将此意图转换为可在知识图谱上执行的查询。基于此,本文提出了一种知识图谱问答的图匹配方法,并基于此方法设计和实现了一个知识图谱问答系统Com QA。该方法将用户的查询意图转换为若干三元组模式组成的查询图,通过评估查询图和候选子图之间在拓扑结构和语义两方面的匹配度,最终返回用户所需的答案。整个系统的处理流程分为两个步骤,即查询图构建和候选子图评估,同时针对上述三个问题进行了针对性的处理:首先设计了一种语义扩展策略来识别用户问题中的关键实体和关系,同时分析用户问句中的句法模式来构建查询图。其次利用查询图中的拓扑信息从知识图谱中抽取候选子图集合;最后利用底层知识图谱信息来微调预训练语言模型得到任务特化后的词向量,从而更精准地计算候选子图和查询图的语义相似度,随后进行候选子图的排序并返回最终答案。Com QA问答系统在QALD测试基准上进行了相关实验和测试。在QALD-3、QALD-4以及QALD-5这三个测试集上分别取得了0.48、0.58以及0.65的回答召回率,在参与对比的系统中处于前列。在保证回答召回率的同时,Com QA的回答准确率和F1分数也处于参测系统中的领先位置。实验结果表明,在提高知识图谱问答系统的性能尤其是回答复杂问题方面,面向知识图谱问答的图匹配方法是有效的。
基于层次注意力的知识图谱实体对齐方法研究
这是一篇关于知识图谱表示学习,实体对齐,层次注意力机制,图匹配的论文, 主要内容为近年来,工业界与学术界涌现出各式各样的知识图谱。这些侧重于不同领域、基于不同数据库的知识图谱之间存在着大量的共同实体。为了寻找这些共同实体以实现知识图谱之间的知识融合,实体对齐任务应运而生。知识图谱表示学习的出现为实体对齐提供了新的解决方案。然而,现有的大多数基于知识图谱表示学习的实体对齐方法在利用实体邻域信息建模中心实体时,不但没有考虑邻域信息中关系多语义的影响,而且没有剔除掉对实体对齐无用的邻域信息。此外,这些方法在进行匹配时仅仅使用邻域中的邻居实体信息而忽略了邻域中包含丰富语义的关系信息。实际上,不同知识图谱中对齐实体的邻域往往是异构的,尽管部分实体对之间邻域的邻居实体不尽相同,但描述实体特征的邻居关系却是相似的。这些缺陷都将导致实体对齐的效果欠佳。针对上述问题,本文提出了基于层次注意力的邻域匹配网络(Hierarchical Attentionbased Neighborhood Matching Network,HANM)进行实体对齐。具体而言,HANM首先使用三层注意力机制(即关系级别注意力、关系语义级别注意力以及实体级别注意力)来赋予邻域中不同关系、关系语义和实体不同的权重,以更细粒度地建模中心实体表示。然后,该模型根据三层注意力机制计算得到的实体邻域中的邻居实体和关系得分分别对它们进行采样,以剔除邻域中的噪声信息。其次,HANM分别对两个知识图谱的采样邻居实体子图及关系子图进行交叉图匹配,以充分计算它们的邻域匹配度。最后,该方法结合中心实体自身表示和邻域匹配度来计算两个知识图谱间中心实体对的相似度。本文所提方法能更全面地考虑实体的邻域信息,从而提高实体对齐的精准性。为了验证模型的有效性,本文在真实世界数据集DBP15K的三个跨语言数据集上进行了实验。实验结果表明,相较于其它基准模型,本文提出的基于层次注意力机制的邻域匹配实体对齐方法在MRR和Hits@K指标上均取得更优的效果。
基于图神经网络的特征交互推荐算法研究
这是一篇关于推荐系统,图神经网络,特征交互,图匹配,图结构学习的论文, 主要内容为随着信息技术的快速发展和大数据的爆发式增长,如何发现有效的目标数据具有重要意义,推荐系统能够为用户推荐个性偏好的数据信息,从而得到了越来越广泛的应用。基于特征交互的推荐算法是推荐系统的研究热点之一,近年来提出的特征交互推荐算法取得了不错的成果,但仍存在一些不足。主要表现为:一方面,传统的机器学习方法能通过暴力枚举实现低阶交互建模,但无法对高阶的特征组合进行有效捕捉;另一方面,基于深度学习的方法使用深度神经网络学习高阶特征交互是隐式的,对特征交互过程缺乏一定的解释性。针对这些问题,本研究基于图神经网络进行特征交互建模研究。主要内容如下:(1)提出了一种注意力感知的图匹配特征交互推荐算法。该方法将推荐问题转变为图匹配问题,把传统点到点的建模范式扩展到了图到图。首先,为了捕捉不同级别的特征交互过程,该方法将用户和物品信息建模为两个特征图,并从内部交互和外部交互两个角度来建模特征交互。内部交互捕捉单个特征图内的特征交互,外部交互捕捉两个特征图之间的节点匹配。其次,在特征节点交互阶段和节点表示融合阶段都引入注意力机制方法捕捉交互的重要性。最后,在两个公开数据集上开展了实验研究,实验结果表明所提出的算法相较于对比算法具有良好的预测效果。(2)提出了一种分层双级别图融合特征交互推荐算法。该方法针对注意力感知的图匹配特征交互没有引入上下文信息的不足,把推荐问题转变为图分类问题。首先,将每个特征域视为特征图中的节点,节点之间相连接的边视为特征之间的交互作用,通过分层图结构学习更新节点之间的连接情况,得到有意义的特征交互。其次,设计了一个双级别节点和图的表示生成模块,该模块包含两个级别的特征交互和融合过程,局部级别交互使用边权重来更新节点的表示,全局级别交互通过压缩激励动态捕捉各个特征域的重要程度。接下来,设计了双线性融合方法,从多个角度对两个级别交互的节点信息进行融合。最后,通过与多个基线模型进行实验对比,结果证明分层双级别图融合特征交互推荐算法具有更高的预测准确率。
基于.NET组件依赖图的软件胎记研究
这是一篇关于软件保护,软件胎记,组件依赖图,图匹配的论文, 主要内容为软件具有高附加值、易复制的特点,导致软件盗版猖獗、软件厂商损失严重。保障软件产业健康、可持续发展已成为当今世界的迫切课题。 软件胎记是近年出现的防盗版技术,它通过提取、比较软件固有特征的相似度来辨别盗版。该技术能有效证明版权且不限制程序执行,符合软件厂商既保护知识产权又占领市场的策略,受到厂商和学术界双方的高度重视。目前国内外学者已提出了几种胎记算法,对软件胎记技术进行了有益的探索,但还存在不少问题需要深入研究。 软件系统的组件依赖关系可抽象为图,不同软件的组件依赖图相似度小、难以修改,是构成胎记的理想对象。本文针对.NET软件,设计了一种基于组件依赖图的软件胎记方案。通过提取、比对正版软件与可疑软件之间静态和动态组件依赖图集合的相似程度,识别盗版。为了提高组件依赖图集合相似度匹配效率,本文为静态、动态组件依赖图分别设计了近似匹配算法。静态组件依赖图匹配算法基于求最大公共子图的思想,保证最大公共子图同构的同时,各组件的名称也正确映射。动态组件依赖图先被转化成无序标签树,然后借鉴图的宽度优先遍历方法,设计了一种线性时间复杂度的匹配算法。在组件名称必须匹配的约束下,这两种近似图匹配算法能有效减小大规模图集的匹配计算量。 为了验证胎记技术抵御混淆攻击的可靠性与可信性,本文与TaNaMM和WPP进行了实验对比。结果表明,对于具有大量用户组件的软件系统,本文提出的胎记技术效果好,适合对大型软件系统提供版权保护。
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：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/54316.html
