基于二分图嵌入的推荐算法研究
这是一篇关于推荐系统,二分图,嵌入向量的论文, 主要内容为随着计算机技术的不断发展,网络上的信息及数据的数量呈爆炸式增长,这使得人们无法从大量可供选择的信息中抽取有效的内容,由此,推荐系统体系应运而生。推荐系统从根本上来说是一种信息筛选系统,它通过一定的算法在大量数据中过滤用户不太可能产生行为的数据,从而为其推荐所需要的信息或服务。目前,基于标签的推荐、基于模型的推荐以及基于神经模型的推荐等推荐算法都可以为特定的内容或者用户进行推荐。而现实生活中,物品之间、用户之间以及物品与用户之间存在着各式各样的二分关系,如某视频网站中,用户和视频之间形成了“观看”的二分关系;DBLP中,作者和其论文之间形成了“发表”的二分关系。本文采用二分图对两种不同类型的实体及其二分关系进行建模,通过优化其嵌入向量来提高推荐的效率和效果。本文的主要研究内容如下:(1)对于传统图嵌入算法大多过于关注图的拓扑结构,而对结点本身信息关注较少从而导致表征能力不足的问题,本文在计算图嵌入向量的过程中引入结点相关数据作为该结点的先验信息,并通过预训练结点的嵌入向量进行更加准确的结点表示。与此同时,本文提出的方法兼顾了图中结点间的显式关系和隐式关系,并探究了两者的重要程度。(2)传统的图嵌入算法主要针对同构图设计,而二分图是一种特殊的异构图,显然传统图嵌入算法无法完全适用于二分图。由此,为了提高二分图嵌入的效果,本文对传统随机游走算法[1]进行改进,引入了Attention机制,提出基于Attention的随机游走策略。该方法分别在二分图的两种相同类型结点间进行游走,用于获取若干结点序列。首先,初始化结点向量,对结点进行向量化表示;其次,利用Attention机制来指导随机游走的方向,获得若干结点序列;然后,将生成的结点序列放入Skip-gram模型中,得到结点的嵌入向量;最后本文设计了一个联合优化框架,并采用随机梯度上升法对结点的嵌入向量进行迭代更新,从而提高该模型的收敛速度和结点嵌入向量的表示效果。(3)本文为提出的模型创建了实验环境,设计了算法的衡量指标,并与多种其他模型进行对比分析。实验表明本文提出的模型是有效的。
基于神经网络的知识图谱表示学习算法研究
这是一篇关于知识图谱,表示学习,图卷积神经网络,嵌入向量,注意力机制的论文, 主要内容为近年来,人工智能和信息技术飞速发展,人们需要从海量数据中高效精准地提取有效信息。知识图谱作为信息的结构化表示,十分便于进行现有数据的利用和新信息的挖掘,逐渐进入研究人员的视野中。知识图谱表示学习使不同类型和背景的实体关系在同一语义空间中得到表达的同时不破坏知识图谱中的结构联系,在知识图谱的构建、扩展和应用中发挥很大的作用。针对现有的知识图谱表示学习算法对多对一和一对多类型的关系建模效果不够精准的问题,本文提出了基于多重特征提取的表示学习算法模型MF＿Simpl E。MF＿Simpl E算法对知识图谱中不同类型的关系进行转换推理,利用神经网络提取实体和节点的个体多重特征,根据特征计算得到三元组的置信分数。本论文在FB15K和WN18数据集上对MF＿Simpl E模型进行节点预测实验,结果表明MF＿Simpl E算法模型相比其他模型在表示学习中可以取得更好的效果,但在复杂关系类型的知识图谱中准确度的提升受到了限制。为提高算法模型在复杂关系型知识图谱上的学习效果,本论文提出基于关系注意力机制的表示学习模型RAGCN+MF＿Simpl E。本文首先提出基于关系注意力机制的图卷积神经网络RAGCN,将其用以提取结构特征,获取带有图谱结构特征的实体嵌入向量。然后提出将RAGCN作为编码器、将MF＿Simpl E模型作为解码器的表示学习模型RAGCN+MF＿Simpl E,该模型将RAGCN得到的实体向量与初始化的关系向量输入到MF＿Simpl E中得到各三元组的置信分数。本论文对算法模型RAGCN+MF＿Simpl E在FB13和WN11数据集上进行三元组分类实验,在FB15K-237和WN18RR上进行结构特征提取对比实验和头尾实体预测实验。实验结果表明,RAGCN可以有效提取知识图谱中节点的邻域特征,表示学习模型RAGCN+MF＿Simpl E在三元组分类和节点预测任务中都能取得很好的效果,其中在较为复杂的数据集FB15K-237上提升效果十分明显。本论文提出的MF＿Simpl E算法模型利用神经网络提取节点个体特征,在大规模稀疏的知识图谱中可以高效地进行表示学习,对于关系复杂型的知识图谱,提出算法模型RAGCN+MF＿Simpl E获取知识图谱中节点的结构特征,提高了表示学习的准确度。
基于神经网络的知识图谱表示学习算法研究
这是一篇关于知识图谱,表示学习,图卷积神经网络,嵌入向量,注意力机制的论文, 主要内容为近年来,人工智能和信息技术飞速发展,人们需要从海量数据中高效精准地提取有效信息。知识图谱作为信息的结构化表示,十分便于进行现有数据的利用和新信息的挖掘,逐渐进入研究人员的视野中。知识图谱表示学习使不同类型和背景的实体关系在同一语义空间中得到表达的同时不破坏知识图谱中的结构联系,在知识图谱的构建、扩展和应用中发挥很大的作用。针对现有的知识图谱表示学习算法对多对一和一对多类型的关系建模效果不够精准的问题,本文提出了基于多重特征提取的表示学习算法模型MF＿Simpl E。MF＿Simpl E算法对知识图谱中不同类型的关系进行转换推理,利用神经网络提取实体和节点的个体多重特征,根据特征计算得到三元组的置信分数。本论文在FB15K和WN18数据集上对MF＿Simpl E模型进行节点预测实验,结果表明MF＿Simpl E算法模型相比其他模型在表示学习中可以取得更好的效果,但在复杂关系类型的知识图谱中准确度的提升受到了限制。为提高算法模型在复杂关系型知识图谱上的学习效果,本论文提出基于关系注意力机制的表示学习模型RAGCN+MF＿Simpl E。本文首先提出基于关系注意力机制的图卷积神经网络RAGCN,将其用以提取结构特征,获取带有图谱结构特征的实体嵌入向量。然后提出将RAGCN作为编码器、将MF＿Simpl E模型作为解码器的表示学习模型RAGCN+MF＿Simpl E,该模型将RAGCN得到的实体向量与初始化的关系向量输入到MF＿Simpl E中得到各三元组的置信分数。本论文对算法模型RAGCN+MF＿Simpl E在FB13和WN11数据集上进行三元组分类实验,在FB15K-237和WN18RR上进行结构特征提取对比实验和头尾实体预测实验。实验结果表明,RAGCN可以有效提取知识图谱中节点的邻域特征,表示学习模型RAGCN+MF＿Simpl E在三元组分类和节点预测任务中都能取得很好的效果,其中在较为复杂的数据集FB15K-237上提升效果十分明显。本论文提出的MF＿Simpl E算法模型利用神经网络提取节点个体特征,在大规模稀疏的知识图谱中可以高效地进行表示学习,对于关系复杂型的知识图谱,提出算法模型RAGCN+MF＿Simpl E获取知识图谱中节点的结构特征,提高了表示学习的准确度。
基于神经网络的知识图谱表示学习算法研究
这是一篇关于知识图谱,表示学习,图卷积神经网络,嵌入向量,注意力机制的论文, 主要内容为近年来,人工智能和信息技术飞速发展,人们需要从海量数据中高效精准地提取有效信息。知识图谱作为信息的结构化表示,十分便于进行现有数据的利用和新信息的挖掘,逐渐进入研究人员的视野中。知识图谱表示学习使不同类型和背景的实体关系在同一语义空间中得到表达的同时不破坏知识图谱中的结构联系,在知识图谱的构建、扩展和应用中发挥很大的作用。针对现有的知识图谱表示学习算法对多对一和一对多类型的关系建模效果不够精准的问题,本文提出了基于多重特征提取的表示学习算法模型MF＿Simpl E。MF＿Simpl E算法对知识图谱中不同类型的关系进行转换推理,利用神经网络提取实体和节点的个体多重特征,根据特征计算得到三元组的置信分数。本论文在FB15K和WN18数据集上对MF＿Simpl E模型进行节点预测实验,结果表明MF＿Simpl E算法模型相比其他模型在表示学习中可以取得更好的效果,但在复杂关系类型的知识图谱中准确度的提升受到了限制。为提高算法模型在复杂关系型知识图谱上的学习效果,本论文提出基于关系注意力机制的表示学习模型RAGCN+MF＿Simpl E。本文首先提出基于关系注意力机制的图卷积神经网络RAGCN,将其用以提取结构特征,获取带有图谱结构特征的实体嵌入向量。然后提出将RAGCN作为编码器、将MF＿Simpl E模型作为解码器的表示学习模型RAGCN+MF＿Simpl E,该模型将RAGCN得到的实体向量与初始化的关系向量输入到MF＿Simpl E中得到各三元组的置信分数。本论文对算法模型RAGCN+MF＿Simpl E在FB13和WN11数据集上进行三元组分类实验,在FB15K-237和WN18RR上进行结构特征提取对比实验和头尾实体预测实验。实验结果表明,RAGCN可以有效提取知识图谱中节点的邻域特征,表示学习模型RAGCN+MF＿Simpl E在三元组分类和节点预测任务中都能取得很好的效果,其中在较为复杂的数据集FB15K-237上提升效果十分明显。本论文提出的MF＿Simpl E算法模型利用神经网络提取节点个体特征,在大规模稀疏的知识图谱中可以高效地进行表示学习,对于关系复杂型的知识图谱,提出算法模型RAGCN+MF＿Simpl E获取知识图谱中节点的结构特征,提高了表示学习的准确度。
基于神经网络的会话型推荐算法研究
这是一篇关于基于会话,嵌入向量,层次softmax,意图递进,注意力机制的论文, 主要内容为近年来随着计算机硬件、互联网、大数据等技术的快速发展,用户被海量的信息包围。对用户来说,如何在日益增长的信息库中找到自己需要的信息是一件非常困难的事情。为了让用户花费少量的时间在系统中找到自己需要的物品或者信息,推荐系统应运而生。推荐系统的出现很大程度地解决了“信息过载”的问题,是一种非常有效的信息过滤方法,可以根据用户的相关信息或者历史浏览记录,去学习了解用户的兴趣偏好,从而为用户推荐需要的信息或物品。本文主要针对用户与系统交互的会话信息推荐展开相关研究,主要工作如下:(1)基于会话的推荐是推荐领域中一个新兴话题,并且近年来引起了学术界和工业界的极大关注。基于会话的推荐最大的优点是不需要挖掘用户本身信息,只需要处理用户与系统交互过程中的物品点击事件序列信息。针对传统的基于会话的推荐算法没有利用物品的特征信息的问题,本文提出一种新的基于会话的推荐算法——SR-I2V(Session-based Recommendation with Item2Vec),首先通过该算法学习出物品的嵌入向量,接着由意图递进公式对已发生的物品点击提取出意图特征向量,最后通过计算向量相似度进行推荐。SR-I2V算法不仅有效解决了推荐算法中冷启动和数据稀疏等问题,而且实验结果与其他推荐算法相比,召回率和评论倒数排名等实验指标都得到了较大程度的提高,从而证明了该推荐算法的有效性和可行性。(2)由于SR-I2V推荐算法使用了一个意图递进公式提取用户意图,但是并不能非常准确的对用户的主要意图进行提取。为了解决这个问题,本文接着提出了一种新颖的推荐算法,即融合注意力机制的会话型推荐算法(Session–based Recommendation with Attention,SRA)来解决此问题。该算法探索一种具有注意力机制的混合编码器,以对用户的序列行为进行建模,并捕获当前会话中用户的主要意图,然后将其合并为一个统一的会话表示形式。然后,基于这个统一的会话表示,使用双线性匹配方案为每个候选物品计算推荐分数。通过共同学习item和会话表示以及它们的匹配项来训练SRA。我们在两个公共数据集上进行了广泛的实验。实验结果表明,SRA在这两个数据集上均优于常见的会话型推荐算法,这证明了SRA在同时建模用户的序列行为和主要意图两方面的优势。
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：源码码头 ，原文地址：https://m.bishedaima.com/lunwen/56213.html
