基于群体检测技术的推荐系统研究
这是一篇关于二部图,链接预测,监督学习,群体检测,推荐系统的论文, 主要内容为信息技术的快速发展,在方便人们生活的同时,也导致了海量网络数据的聚集。如何从海量网络数据中挖掘有用的信息正面临着巨大的挑战。链接预测是社会网络分析和链接挖掘领域的热点问题,研究从已观察到的网络部分预测未观察到的网络部分或者为当前网络预测未来某时刻出现的新链接。其中,二部图中的链接预测是一个较新而且实用性很强的研究课题,通常应用于各类推荐系统中。二部图包含两种不同类型的节点且链接只存在于不同类型的节点之间,因此许多适用于单部图的基于共同邻居度量的链接预测方法无法直接用于二部图中。此外,已有研究表明,群体信息对提高链接预测的准确率有重要意义,但目前仍未得到充分重视,也没有应用于二部图链接预测问题。因此,如何有效利用群体信息成为二部图链接预测问题的一个挑战。本课题的主要研究内容如下:1、对链接预测的研究现状进行了综述,重点讨论了二部图的链接预测任务,讨论目前该任务面临的问题及挑战。此外,还分析了群体检测技术及其对链接预测的重要意义。为本课题关于二部图链接预测方法的研究指明了方向。2、提出了一种采用群体信息的二部图链接预测方法——Com-BLiP,该方法将链接预测视为机器学习的二分类问题,通过对二部图投影,抽取二部图中节点对样本的局部结构属性,并运用群体检测技术抽取节点对样本的群体属性,随后将这两类属性一起作为样本的描述向量,在监督学习框架中进行训练和预测。在现实数据集MovieLens中的实验结果表明,群体信息的引入能有效提高二部图链接预测方法的准确率,从而改善推荐性能。3、在上述研究的基础上,通过对推荐系统的调研,分析了推荐系统的需求,设计了系统架构、功能模块及数据库,把Com-BLiP方法应用于推荐系统中,最终实现了一个基于群体检测技术的电影推荐系统。
面向样本稀疏领域的中文关系知识获取研究
这是一篇关于知识图谱,监督学习,少次学习,远程监督,神经网络,注意力机制的论文, 主要内容为知识图谱是一种重要的存储结构化数据的技术,它可以为多种信息化应用提供知识支持,例如推荐系统、问答系统等。知识图谱自动构建技术的研究在通用文本上开展的如火如荼,而在特定领域上则鲜有人问津。但对于医学、经济、军事等领域,专业的知识图谱是推动其领域信息化发展的关键因素。特定领域的标注文本往往是稀疏的,因此,本文立足于样本稀疏领域这一出发点,对知识图谱自动构建的问题展开研究。知识图谱中结构化知识的一个重要来源是非结构化文本。一般采用信息抽取技术可以从非结构化文本中提取结构化的数据,用于知识图谱的自动扩充。而关系知识获取,即关系抽取,是信息抽取技术的一个重要子任务。它根据文本的上下文描述,确定提及实体对之间的语义关系,从而形成结构化的三元组数据,用于构建知识图谱。本文研究侧重于样本稀疏领域的关系知识获取技术,并解决数据稀疏性、文本多样性、关系动态性以及数据含噪等问题。具体地,本文依次提出三个模型来解决不同设定下的稀疏样本下的关系知识获取问题。首先在稀疏含噪样本条件下,提出了互补卷积神经网络模型com-CNN,利用了监督学习的方法训练多分类器,对实体之间的语义关系进行预测。针对样本稀疏问题,设计了多重依存路径进行特征增强,并结合实体信息解决特征稀疏问题。针对样本含噪问题,通过多重依存路径进行词级降噪,并利用互补卷积神经网络捕获多重依存路径和原始单词序列的互补信息,此外,实体集成的注意力机制可以抑制错误标注实例的负面影响,进行实例级降噪。通过对稀疏性和含噪问题的解决,模型com-CNN可以更准确地为领域文本进行关系预测。不过,在该问题设定下,长尾关系不能很好地被分类,且仅涉及有限个关系类别,无法在预测时适应新关系。因此,进一步将关系抽取问题定义到少次学习框架下,抽取长尾关系类别。对于少次设定下的关系抽取方法,本文提出了少次关系分类模型BACK。在少次学习设定中,对于每个测试的新关系类别仅给定少量的标注数据,即支持数据,模型通过对支持数据的快速学习,获得对未标注数据的关系预测能力。对于少次关系分类模型,支持实例与查询之间的交互可以捕获二者之间的相似部分,进一步为关系类型的识别提供重要线索。此外,在向量空间中,相同类别的实例应该相互靠近,而不同类别的实例应该相互远离。因此,模型BACK通过双向注意力机制建模了支持实例和查询之间的交互,并加入边界距离损失监督实例向量在特征空间的分布,充分利用类别内和跨类别的潜在知识。与现有的方法相比,模型BACK在少次关系分类任务上获得了最好的效果。少次关系分类模型虽然对预测关系类别仅需要少量标注数据,但训练一个性能优异的少次关系分类模型依然需要一定量标注数据。因此,下一步的研究将远程监督与少次学习框架结合,利用自动生成的弱标注数据训练少次关系分类模型。远程监督可以通过将现有知识图谱与文本自动对齐的方式快速生成大量弱标注数据,但这样的训练数据存在错误标注的情况,也称为噪声数据。在以往的少次关系分类模型中,采样单个实例作为查询对模型进行训练。当利用远程监督数据训练时,一旦采样到错误标注实例作为查询时,会对模型的优化产生负面影响。因此,本部分的研究采用远程监督的至少一次假设,利用描述同一个实体对的全部实例,即实例袋,作为查询。基于这一设定,在原型网络基础上,提出了基于注意力的多实例学习方法AMProto对查询集和支持集两个层次上进行实例级去噪。该研究也是对远程监督和少次学习两种范式结合的初步探索,实验结果显示出该任务的可行性以及模型AMProto的优越性。总而言之,本文研究了在不同稀疏样本设定下的关系知识获取问题,依次提出了三个关系抽取模型。对于每一个模型,本文进行了充分的定量分析和定性分析实验,实验结果证明了模型的有效性和合理性。这些模型可以很好地获取领域关系知识,用于领域知识图谱构建,进而为领域信息化服务提供支持。
基于图神经网络的多层网络链接预测研究
这是一篇关于链接预测,多层网络,图神经网络,复杂网络,监督学习的论文, 主要内容为复杂网络可以作为一种描述真实场景的工具,因此对复杂网络进行分析与研究可以更好地理解现实系统的构造与变化。如今,互联网的快速发展推动了数据挖掘等方面的快速进步,链接预测作为复杂网络的一个重要分支也随着数据分析、计算能力的提升受到更多研究学者的关注。链接预测的研究目标是通过已知的节点信息与网络结构探究网络中未被观测到的链接,这些链接可能是网络的潜在联系或者未来可能形成的联系。因此,链接预测在提高搜索体验、优化推荐系统和理解用户行为等方面具有重要的贡献。在网络系统中,多层网络可以更好地描述现实生活的联系,其中每一层都表达了不同的交互依赖关系。各种研究表明,多层网络中一层链接的形成可能会受到其他层中相应节点的影响。然而,在多层网络中,如何有效地利用信息与结构来提高模型的预测能力仍然是一件富有考验性的任务。一种同时考虑所有层的结构并从中提取有效信息来进行链接预测的方式是可取的。目前,已经提出了大量的链接预测问题的解决方案,但很少有人关注利用图神经网络来处理多层网络链接预测问题。为此,本文提出了一种在多层网络中使用图神经网络的链接预测算法,该算法考虑了全网络的信息并将传统的链接预测转化为网络自主学习并且可以过滤信息的二分类问题。主要工作与创新如下:(1)基于信息过滤与融合的多层网络链接预测算法。节点对能够根据其选取的子图中的邻居节点信息来丰富自身的信息,并且通过研究发现并不是所有的已知信息都是有效的。因此,本文设计了一种算法来删除冗余信息并增加潜在链接,进而得到每一层对应节点的有效信息和特征,并且使用注意力机制达到多层网络特征融合的目的,随后将融合后的特征放入DGCNN模型中进行训练从而得到分类的结果,即存在链接或不存在链接。相较于其他多层网络链接预测算法,本算法充分考虑到了信息的有效性以及潜在性,并将多个网络层的节点信息以及结构信息都纳入了考虑,使得本文在预测时使用的信息是合理并有效的。通过对六个真实网络的实验结果进行分析,也证明了该算法的有效性并展示了其在执行能力方面优于其他的多层网络链接预测方法。(2)基于层间作用的多层网络链接预测算法。上一部分的工作证明了信息过滤与融合的必要性,但在多个层的信息融合过程中只是简单地使用了注意力机制进行处理,并不能保证融合后的信息的准确性。因此,在本文第二部分的工作考虑了上述问题并进行改进,将多层网络分别与训练好的过滤图的信息进行特征融合以保证学习到的内容真实准确。此外,通过非对称邻域相似度的研究发现,不同层之间对目标层的影响确有不同,因此还在第一个工作的基础上对多层网络中的层间作用进行了探究,本工作为新融合后的各个层之间分配了不同的权重以表示对目标层的影响程度。将以上两处改进与第一项工作结合,提出了基于层间作用的多层网络链接预测算法。通过将本算法结果与各对比方法结果进行对比,发现各项指标均有明显提升,也证明了本研究改进的必要性与猜想的合理性。通过以上研究,本文对使用图神经网络的多层网络链接预测算法进行了探索并解决了该方向的一些问题,为多层网络链接预测提供了新的视角。
基于群体检测技术的推荐系统研究
这是一篇关于二部图,链接预测,监督学习,群体检测,推荐系统的论文, 主要内容为信息技术的快速发展,在方便人们生活的同时,也导致了海量网络数据的聚集。如何从海量网络数据中挖掘有用的信息正面临着巨大的挑战。链接预测是社会网络分析和链接挖掘领域的热点问题,研究从已观察到的网络部分预测未观察到的网络部分或者为当前网络预测未来某时刻出现的新链接。其中,二部图中的链接预测是一个较新而且实用性很强的研究课题,通常应用于各类推荐系统中。二部图包含两种不同类型的节点且链接只存在于不同类型的节点之间,因此许多适用于单部图的基于共同邻居度量的链接预测方法无法直接用于二部图中。此外,已有研究表明,群体信息对提高链接预测的准确率有重要意义,但目前仍未得到充分重视,也没有应用于二部图链接预测问题。因此,如何有效利用群体信息成为二部图链接预测问题的一个挑战。本课题的主要研究内容如下:1、对链接预测的研究现状进行了综述,重点讨论了二部图的链接预测任务,讨论目前该任务面临的问题及挑战。此外,还分析了群体检测技术及其对链接预测的重要意义。为本课题关于二部图链接预测方法的研究指明了方向。2、提出了一种采用群体信息的二部图链接预测方法——Com-BLiP,该方法将链接预测视为机器学习的二分类问题,通过对二部图投影,抽取二部图中节点对样本的局部结构属性,并运用群体检测技术抽取节点对样本的群体属性,随后将这两类属性一起作为样本的描述向量,在监督学习框架中进行训练和预测。在现实数据集MovieLens中的实验结果表明,群体信息的引入能有效提高二部图链接预测方法的准确率,从而改善推荐性能。3、在上述研究的基础上,通过对推荐系统的调研,分析了推荐系统的需求,设计了系统架构、功能模块及数据库,把Com-BLiP方法应用于推荐系统中,最终实现了一个基于群体检测技术的电影推荐系统。
基于机器学习的多小区协作波束赋形算法研究
这是一篇关于协作波束赋形,功率分配,监督学习,无监督学习,多智能体强化学习的论文, 主要内容为为了应对日益增长的无线流量和高速连接需求,无线通信系统不断开拓更高的频段如毫米波、太赫兹频段等,同时也利用各种先进技术来提高现有频段的频谱效率。其中,大规模天线阵列被认为是提高频谱效率最行之有效的技术[1],而波束赋形正是实现大规模天线阵列增益的重要途径。在多小区通信系统中,各小区基站也可以使用相同频段为小区内用户提供服务,以进一步提高频谱效率。为了减小该系统中小区间同频干扰造成的性能损失,协作波束赋形技术通过联合设计各基站的波束赋形矢量,能够提高系统总体性能。然而,传统的协作波束赋形方法需要获得全局的信道状态信息,存在计算开销大且复杂度高等问题,在实际通信系统中并不能实现。另一方面,随着近些年机器学习、神经网络的突破性发展,大数据、机器学习等技术被应用到各种场景中。因此,本文考虑基于深度学习和深度强化学习技术,实现在比较低的系统开销下达到较高的系统容量,来满足实际系统中的要求,具体研究内容如下:首先,为了解决传统协作波束赋形算法因计算复杂度高、传输开销大等而无法应用于实际通信系统的问题,本文提出了基于监督学习技术来实现多小区协作波束赋形。具体地,本文设计了基于监督学习的信道信息压缩网络、波束方向矢量设计网络以及损失函数。仿真结果表明,基于监督学习的多小区协作波束赋形其性能可以接近加权最小均方误差(Weighted Minimum Mean Square Error,WMMSE)算法,同时大幅减小计算复杂度及传输开销。进一步地,基于监督学习的多小区协作波束赋形虽然能满足实际通信系统中的要求,但是其功率分配方案为等功率分配,仍有优化空间。为此,本文设计了一种基于多智能体强化学习的动态功率分配方案。具体地,在利用基于监督学习技术设计波束方向矢量的基础上,本文提出利用多智能体强化学习技术实现多小区系统的动态功率分配。仿真结果表明,基于监督学习和深度强化学习相结合的多小区协作波束赋形算法在实现低计算复杂度和传输开销的同时,能够进一步提高多小区系统的和速率。此外,针对基于监督学习的波束方向矢量设计方案性能难以优于标签算法的问题,本文提出了基于无监督学习的波束方向矢量设计方案。具体地,本文设计了基于无监督学习的信道信息压缩网络、波束方向矢量设计网络以及损失函数。仿真结果表明,基于无监督学习和深度强化学习相结合的多小区协作波束赋形算法在实现低计算复杂度和传输开销的同时,能够更进一步提高多小区系统的和速率。
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：毕设助手 ，原文地址：https://m.bishedaima.com/lunwen/55193.html
