推荐5篇关于信息增强的计算机专业论文

今天分享的是关于信息增强的5篇计算机毕业论文范文, 如果你的论文涉及到信息增强等主题,本文能够帮助到你

基于图神经网络和实体关系的评分预测个性化推荐研究

这是一篇关于图神经网络,社交推荐,实体关系,信息增强,长短期推荐的论文, 主要内容为随着数据科学的飞速发展,推荐系统已被证明是解决数据爆炸的主要技术。其中,实体社交关系信息作为目前推荐研究的主要辅助信息,在隐藏信息的挖掘、推荐模型的完善及推荐评分准确率的提高等多方面都有巨大优势。此外,图神经网络的飞速发展为实现实体间多对多的关系提供了新的方法和思路,同时也为推荐系统的发展带来了更多的机遇。近年来,人们受到网络社交的影响逐渐提高,特别是人与人之间的复杂实体关系会相互影响,有的实体关系可能会对推荐结果带来负面影响,导致一些无效信息对学习的效果产生干扰,容易产生冷启动及过拟合等问题。另外,目前实体社交推荐中基本都是利用用户在社交关系中的长期偏好建模,缺少对物品短期偏好信息的融合。仅使用长期偏好建模并不能完整构建用户偏好模型,特别是某些针对即时选择项目的领域,短期偏好更具有代表性。为了解决以上两个问题,本文构建以下两个模型:(1)基于增强实体关系感知的社交推荐模型研究本文构建了一个新的社交推荐模型——基于增强实体关系感知的社交推荐模型研究(Sim-Graph Rec),以解决上述无效信息的影响。模型通过用户与项目的真实交互和数据集中朋友信任关系对邻居关系的有效性进行判断,达到增强邻居感知的作用。另外为了增加推荐精准性,本文加入了亲密度指标和映射,筛选出真正具有可靠性的邻居。然后采用注意力机制对增强后的社会关系特征进行聚合,达到增强邻居交互感知信息的效果。最后,本研究根据对偶性建立项目社交空间并与用户社交空间融合,能更准确的预测出评分。此外,本文在Epinions和Ciao两个公开数据集上进行实验,与其余基线模型相比,在MAE和RMSE两个评价指标上分别提升了0.81%-1.09%,1.15%-1.41%,证明了该框架的有效性。(2)基于卷积门控和图注意力的长短期社交推荐模型研究通过进一步研究发现,在短视频推荐、新闻推荐等领域,用户实体的偏好经常会随着时事热点的变化而变化,因此针对社交推荐在上述领域中,对短期偏好研究不足的问题,本文设计了第二个模型——基于卷积门控和图注意力的长短期社交推荐模型(CGA-Graph Rec),通过构建卷积门控注意力网络(CNN-GRUATT)对实体的时序特征进行提取。具体的,首先,针对精确提取实体特征问题,构建CNN网络提取更高层、更抽象的自身特征,将高维数据转化为低维数据;其次,针对社交时序性问题,采用门控单元能有效提高运行效率;最后针对社交关系聚合,利用图注意力网络来聚合实体的社会关系信息,构成用户和项目的最终特征表示。特别地,在构建项目实体的社交信息时,采用修正余弦相似度,减小数据不敏感带来的误差,从而得出预测评分。本研究在两个公开数据集(Epinions和Ciao)上进行仿真实验。结果证明所提出的CGA-Graph Rec模型比其他基线模型有优势,在MAE和RMSE两个评价指标上分别提高了1.06%-1.33%和1.19%-1.37%。证明了模型创新的有效性。

基于图神经网络的知识推理研究与应用

这是一篇关于知识图谱推理,图神经网络,关系推理,稀疏知识图谱,信息增强的论文, 主要内容为随着互联的发展,网络上的信息呈爆发式的增长,其中许多知识以文本的方式存储在知识图谱中。知识图谱广泛应用于网页搜索优化、推荐系统、商业分析、风险评估、自动化处理等领域。然而除了大型商业知识图谱外,现有的知识图谱完整度都不高,稀疏度较大,影响着知识图谱应用系统的准确性。针对以上问题,知识图谱推理算法,又称知识推理,可以对知识图谱中缺失的关系进行推理补全。1、现有的知识图谱推理算法在进行知识图谱补全时对实体和关系信息获取不够完善,存在未获取到图谱中的结构信息的问题。因此,本文在收集图谱语义信息的图卷积神经网络(Graph Convolutional Network,GCN)知识图谱推理算法中增加知识图谱结构信息的收集;具体在使用GCN网络对获取语义信息,同时通过改进图表示学习(Graph SAGE,GS)框架的目标节点采样方法,进行邻居节点结构信息收集;利用多头注意力机制将结构和语义信息的评分结果进行融合;最后在公开的数据集上进行了实验分析。改进的算法在NELL-995数据集上评价指标MRR、Hits@1、Hits@3分别上涨了1.1%,2.9%,2.8%,在Open Bio Link数据集上评价指标MRR、Hits@10分别上涨了1.3%,2.7%。2、本文针对知识图谱推理算法在关于信息量较少的稀疏知识图谱推理时存在的问题进行了分析,提出使用外部信息对稀疏知识图谱实体特征进行增强,利用基于GCN网络和外部知识库的特征信息增强方法来改进算法。具体采用EncoderDecoder框架和长短记忆网络(Long Short Term Memory Network,LSTM)对目标头尾实体进行特征抽取;利用实体链接算法在外部知识库中定位目标实体,将GCN网络对知识库中聚合获得的额外信息作为外部特征;利用双注意力机制融合得到增强特征;最后在短文本数据上验证了信息增强模块的可行性,实验了不同稀疏度下知识图谱推理算法的结果。改进的方法在FB15K-237数据集稀疏度为10%的情况取得最好的效果,评价指标MRR增长了2.2%。3、本文利用知识推理对石墨烯制备专利的知识图谱进行完善,进而借助知识图谱对石墨烯专利文本进行应用分析。首先利用知识图谱构建方法对每篇石墨烯专利进行知识图谱构建,结合第三章和第四章模型推理补全石墨烯制备专利知识图谱。在获得完善的知识图谱条件下,结合石墨烯制备领域的关键材料和工艺流程,对石墨烯制备专利进行创新性分析和趋势分析。

基于信息增强的实体关系联合抽取方法研究

这是一篇关于关系抽取,信息抽取,信息增强,预关系感知,注意力机制的论文, 主要内容为实体关系抽取是指从非结构化文本中提取出文本的主要信息从而形成结构化的关系三元组,其结构为(实体1,关系,实体2)。自然语言处理中诸多任务均需要依托实体关系抽取进行进一步研究,例如,实体关系抽取是构建知识图谱的基础工作;实体关系抽取对于文本理解助力颇大,其提取到的结构化信息蕴含文本的中心思想及绝大部分有意义信息,有利于深层次语义理解。因此,近些年实体关系抽取的研究愈发火热,发展迅速,取得了令人鼓舞的效果。但是现有级联式联合抽取方法中,忽视了实体1、实体2及二者之间特定关系这三要素之间的内在关联,实体1及实体2之间交互不足;此外,现有的模型多为优先抽取实体或优先抽取关系,然而优先抽取实体的精度对整个模型抽取性能影响较大,优先抽取关系又容易产生关系冗余等问题。针对以上问题,本文基于信息增强理念,提出两种改进模型,一种是融合实体特征的信息聚合方法,另一种改变传统的抽取顺序,提出了新的抽取策略。本文的主要工作如下:(1)提出了一种面向实体关系联合抽取的信息聚合器。在级联式联合抽取方法的基础上,抽取出实体1后,融合实体1的位置信息更新其表示;并设计了一种可融合实体特征的注意力机制,整个结构聚合到同一模块中,称之为信息聚合器。在公共数据集(New York Times,NYT)和(Web Natural Language Generation,Web NLG)上的F1值分别达到了90.9%、92.5%,较基线模型分别提升1.3%和0.7%;在复杂语境的测试数据中,其实验结果均优于基线模型,证明了该方法的有效性。(2)提出了一种预关系(Pre-Relation)感知双向模型。预关系即在抽取三元组之前,优先识别出关系,仅使用其特征表示但不作为最终结果,故称之为预关系。这样既可以利用关系进行信息增强提升实体识别的精度,又可以避免贸然抽取关系的冗余。此外,还采用了同时提取主客体的并行结构,提取尽可能多的实体对,以提升模型召回率。在工作(1)的基础上,进一步提升了实体关系抽取任务的精确率、召回率和F1值得等各项评估指标。总体来看,本文的研究关注到了关系三元组内在联系,利用相互之间的信息增强提升了整个任务的性能。下一步研究考虑将本文方法应用到文档级实体关系抽取任务中,进一步增强模型泛化性。

基于信息增强的微小目标检测与识别方法研究

这是一篇关于小目标检测,信息增强,多尺度特征融合,横向连接的论文, 主要内容为基于深度学习的小目标检测发展是推动智能现代化生活的重要研究领域,广泛应用于智能安全、缺陷检测、智能农业和医疗诊断等领域,极大地提升工作效率。然而,在复杂场景中小目标检测方法面临着目标尺度变化大、小目标与背景相近、小目标密集叠加等问题,因此目标检测模型难以自适应地提取不同尺度的、具有判别性的目标特征,导致检测准确率低和泛化能力较差。针对以上问题,本文利用信息增强、筛选式目标重采样、多尺度特征融合等方法增加小目标的训练次数和增强语义信息特征,从而增强模型对小目标群体的信息提取能力。本文的三个主要研究内容如下:(1)像素筛选式的目标位置区域信息增强方法研究。由于数据集中小目标可视化信息不足导致提取到具有鉴别力的特征少,本文提出一个像素筛选式的目标位置区域信息增强模型对数据集中的所有目标进行筛选式重采样操作,通过复制图像中像素阈值下的小目标来直接获取组合数量的合成训练数据,实现在不增加数据集图像数量的前提下增加小目标样本数目。另一方面,通过在包含小目标图像中进行目标粘贴,并确保在粘贴每个小目标对象时不与任何现有目标对象产生完全重叠,进一步增强小目标位置区域特征信息提取能力。(2)基于多尺度特征融合和浅层信息增强方法研究。针对提取小目标浅层位置特征和深层语义信息难以保留完整的问题,本文提出一种基于多尺度特征融合和浅层信息增强模型,通过将Res Net-50与适配型特征金字塔网络组合连接的方法增强目标的语义信息特征提取,其中适配型特征金字塔网络用来解耦大小各异的目标特征信息,为小目标分配更适配的特征层级。其次,通过深度学习技术对提取的浅层语义信息和深层语义信息进行横向连接,实现利用卷积网络和语义信息连接加强各层级特征映射间的联系,进一步加强目标信息提取的完整程度。(3)基于信息增强的微小目标检测与识别方法研究。首先使用像素筛选式的目标位置区域信息增强模型,对数据集中的所有目标进行筛选式重复采样,并通过从源图像中剪切小目标块,经过对小目标块进行复制与翻转处理后粘贴到原目标图像,直接获取组合数量的合成训练数据。然后使用基于多尺度特征融合和浅层信息增强模型,对经过处理的数据集图像进行采样处理,提取出目标的特征信息并输出特征图进行图像尺寸统一化处理。将其传入全卷积网络后得到热力图,其中每个热力图的峰值点位置预测目标中心位置信息,最终由预测得到的中心关键点回归得到目标边界框的位置大小和目标所属类别。实验结果表明,所提方法能够显著提高含有小尺度目标图像的检测性能。与原算法在安全帽佩戴数据集(Safety Helmet Wearing Dataset,SHWD)上的检测效果相比,取得89.06%的平均精度均值和28.96的每秒传输帧数,相比之前的方法的平均精度均值提高了18.08%,并且对小目标的检测结果也优于原算法和当前先进的检测算法YOLOv4等,进一步证明所提模型对检测小目标群体的有效性。