给大家分享10篇关于概率图模型的计算机专业论文

今天分享的是关于概率图模型的10篇计算机毕业论文范文, 如果你的论文涉及到概率图模型等主题,本文能够帮助到你

面向长尾实体的开放式知识丰富方法

这是一篇关于知识丰富,长尾实体,图神经网络,概率图模型的论文, 主要内容为语义网技术的不断演进和发展,推动了机器对Web数据的智能化理解,并催生了众多的知识图谱。知识图谱以符号化的形式描述现实世界中的实体及其相互关系,结构化地存储着大量描述实体事实的知识。时至今日,知识图谱已经成为各类以知识为驱动的人工智能应用的宝贵资源。现有大型开放知识图谱尽管体量很大,但它们被广泛认为是不完备的,本文研究发现这种不完备很大程度体现在长尾实体事实的缺失。为了提高知识图谱的完备性,研究者们从多个角度展开探索,很多相关工作被提出。然而,现有工作缺乏对长尾实体的关注,对于长尾实体知识丰富的表现十分有限。鉴于长尾实体当前在知识图谱中事实稀少,基于知识图谱嵌入技术的链接预测方法将很难学习到这些长尾实体的高质量嵌入。知识抽取的方法因为信息量不足,不能很好地处理错误或异常。其他方法则仅针对单一目标设计并实现,并非知识图谱自动丰富的完整解决方案。与已有方法对实体不加区分不同,本文针对性地关注知识图谱中长尾实体的知识丰富,并提出了一个完整的解决方案OKELE,旨在利用知识图谱中知识相对完备的流行实体以及Web上大量的开放数据来丰富长尾实体的知识。本文提出了一种属性预测模型,其有效结合了图神经网络和注意力机制,通过比较相似流行实体来预测长尾实体的缺失属性;本文探索了多种类型的Web数据的属性值抽取方法,并使用流行实体强化数据源检索和信息抽取;本文提出了一种基于共轭先验的概率图模型来评估数据源的可靠性,验证事实真值。实验结果表明,本文提出的解决方案有效适用于长尾实体的知识丰富,方法中的属性预测模型和真值验证模型在效果上均优于对比模型。

基于概率图模型的事件推荐系统研究

这是一篇关于推荐系统,信息过载,稀疏矩阵,概率图模型,概率矩阵分解的论文, 主要内容为近几年网上购物成为主要消费手段,用户量和消费产品不断增多,导致互联网信息不断过载。用户如何在不断增加的信息库中挑选出自己有用信息,成为如今需要研究的重点。推荐系统在研究中承担着重要的职责,在人们身边很多领域都发挥着重要的作用,从最初的电商物品推荐不断发展成对新闻、短视频、事件、活动等各领域推荐。随着推荐系统在事件活动推荐中应用广泛,信息过载和评分数据稀疏等问题能给用户的推荐准确性带来很多问题。针对这些问题,本文将在传统的推荐系统模型算法基础上进行改进,提出基于概率图模型的事件推荐系统算法,在数据集上验证其推荐效果相比较传统算法有了很大的提升,最后将基于概率图模型算法应用到一个校园活动推荐系统设计中,表现出很好的应用价值。主要工作如下:(1)由于传统矩阵分解算法存在冷启动、数据稀疏性和预测时间复杂度高等问题,导致推荐准确性下降,提出基于隐式反馈和基准偏好的标准化矩阵分解优化算法。该算法将优先对数据集预处理、用户和项目的评分矩阵同时引入Batch Norm稀疏矩阵算法来训练归一化处理参数,加快收敛速度,提高训练的稳定性。同时,增加项目约束偏置,更能够显示用户的真实评分。最后,对用户矩阵加入隐式反馈信息,构建基于隐式反馈和基准偏好的标准化矩阵分解模型,对用户的评分矩阵进行预测。实验结果表明,该优化算法能更好地解决矩阵分解中的冷启动和数据稀疏问题,在预测精度上比传统的矩阵分解算法具有很大的优势。(2)由于一些特定用户不喜欢对消费后的物品,进行评分造成的数据稀疏问题。导致传统推荐模型的参照数据较少,不能给出准确推荐信息,提出基于特定用户约束的概率矩阵分解算法。该算法针对特定的评分稀疏用户引入一种潜在相似度约束矩阵来影响用户的特征向量,并结合最大后验概率估计和蒙特卡罗采样推断进行概率矩阵分解,自动调整模型正则化参数,最后在数据集上进行测试评估和对比实验。实验结果表明,该算法在预测性能上得到很大提升,并且在解决特定用户的评分稀疏问题上可以准确预测用户喜好。(3)利用基于隐式反馈和基准偏好的标准化矩阵分解模型和基于特定用户约束的概率矩阵分解模型优点,将模型应用到实际生活中,设计并实现一个校园活动推荐系统。该系统可以很好地向用户推荐感兴趣的活动,利用对用户参加过的活动,以及相似用户之间的关系,产生更有效的推荐结果,满足用户需求的同时增加了用户体验,最后对系统进行系统化的测试,保证系统的实用性和稳定性。

基于概率图模型的事件推荐系统研究

基于知识表示学习的知识图谱补全算法研究

这是一篇关于表示学习,知识图谱补全,概率图模型,关系类型约束,链路预测的论文, 主要内容为知识图谱(Knowledge Graph)以三元组形式描述了客观世界中的概念、实体及其之间的关系,为自动理解海量信息提供了一种更好的表达形式。在使用大规模知识获取方法构建的知识图谱中通常存在大量关系缺失问题,如Freebase中71%的实体缺少出生地相关信息,Word Net和NELL也有着不同程度的词性、父母等关系缺失,缺失的关系会降低下游应用任务的精度。知识图谱补全是针对这一问题提出的自动补全方法,主要有基于符号推理、基于链路预测和基于知识表示学习的方法。基于符号推理的方法主要依赖于人工先验规则,推理效率低,无法适用于大型的知识图谱。基于链路预测的方法是利用网络拓扑结构,假设相似节点最有可能形成链接,但知识图谱中链接具有明确的语义信息,使得链接预测效果往往不理想。基于知识表示学习的补全是一种结合表示学习和链路预测的方法,采用数值推理替代符号推理,为大规模知识库的补全提供了一种高效的方式。论文针对知识表示学习补全方法中的计算效率和结构化信息考虑不足的问题,开展了三个方面的研究。(1)针对现有网络表示学习在链路预测中节点间关系考虑单一、计算效率低的问题,利用网络中节点之间的共同邻居的“资源分配”刻画节点之间的相似度,并将相似的节点映射到相近的向量空间中来学习节点的表示,提出了一种基于资源分配的针对链路预测网络表示学习方法(NELP)。(2)针对现有知识表示学习模型越来越复杂、参数过多的问题,利用知识图谱中的关系类型约束信息定义了关系类型评分函数,并将该评分函数与Trans E的评分函数相结合,提出了一种基于关系类型约束先验信息的知识表示学习方法(Trans RT)。(3)针对现有知识表示学习模型评分函数单一、结构化信息考虑不足的问题,利用概率有向图模型提出了一种结构化概率评分函数,利用有向概率图模型来对评分函数1)(?,,)进行建模,提出了一种基于概率图模型的知识表示学习方法(PGME)。论文在公开数据集上验证了提出的方法,NELP在6个真实网络数据上的链路预测精度均有所提高,且该方法对向量维度不敏感,具有较好的稳定性。Trans RT和PGME在5个来自Free Base和Word Net的数据集上进行了验证,实验结果表明,Trans RT在不改变模型参数数量的情况下,提升了简单模型知识图谱的补全效果;PGME在不存在可逆关系对的图谱中补全效果提升更为明显,能较好刻画出知识图谱中的结构信息。

基于影像特征专业知识图谱的胸片分类深度学习模型的构建与研究

这是一篇关于深度学习,胸片影像特征,医学影像分类,知识图谱,概率图模型的论文, 主要内容为近年来,基于深度学习的方法在计算机视觉领域取得了突破性地进展,并被广泛应用于医学图像分析领域。知识图谱与大数据技术、深度学习技术相结合,已经成为推动人工智能发展的核心驱动力。医学知识图谱是实现智慧医疗的基石,有望带来更高效精准的医疗服务。为了将临床医生诊断的经验融入深度学习模型,本文研究了影像特征专业知识图谱。为进一步提高深度学习模型在胸片异常特征分类任务的准确度和可解释性,本文研究基于影像特征专业知识图谱的胸片分类深度学习模型。本文主要研究内容包括以下几点:(1)为了将临床医生诊断的经验融入模型,本文引入了胸片影像特征专业知识图谱,并使用Neo4j数据库构建知识图谱并存储。本文所有实验在一个已经标注的胸部后前位片影像数据集上进行,该数据集根据知识图谱划分13个一级标签,共包含214,195例数据。通过遍历知识图谱来程序化构建实验所需的分类数据集,深度学习网络使用该分类数据集进行训练、验证和测试。(2)为提高深度学习模型的准确度,本文建立了基于Vision Transformer的胸片影像分类模型,该模型先使用Transformer编码器的提取胸片影像特征,再使用Softmax分类器对胸片影像进行二分类。实验结果表明,与其他经典模型相比,该模型的各平均指标提升约0.01～0.02。(3)为进一步研究深度学习模型在多分类任务上的准确性与可解释性,本文引入类特定的残差注意力算法,对Vision Transformer提取的特征矩阵融合所有位置的残差注意力特征,再根据朴素贝叶斯分类算法计算后验概率来对多分类模型的结果进行微调,最终构成了基于知识图谱的自动分类模型。实验结果表明,该预测模型在各平均指标上提升约0.02～0.03。本文所提出的一整套技术流程与算法框架,通过一系列的实验证明其在基于胸片影像特征分类中是切实可行的,为今后提高放射科医生的工作效率提供了一种解决思路。

基于深度学习的垂直领域知识图谱构建方法研究与实现

这是一篇关于领域知识图谱,知识抽取,数据增强,序列标注,概率图模型的论文, 主要内容为随着人工智能的发展,智能的信息服务持续升级,在各种智能信息服务领域均能看到知识图谱的应用,如智能问答、个性化推送、信息检索等。知识图谱帮助计算机学习人的语言交流方式,使计算机像人类一样“思考”,使得各种信息服务反馈给用户更加智能的答案。可以说知识图谱是传统行业和人工智能进行融合的方向,也是人工智能从研究走向落地应用的过程中必不可少的环节。垂直领域知识图谱是针对某个行业,根据该领域的数据来构建的知识图谱,相比于通用知识图谱,更强调知识的深度。虽然在通用领域,学术界和工业界都已经有大规模的标注数据可供知识图谱构建模型进行训练,并且实体和关系抽取技术已经取得了长足进步。但在垂直领域的场景下,存在着标注语料数据量不足,人工标注耗费钱力和精力等难题,并且随着业务的变更,实体和关系的类型会不断地更新,已有的标注数据无法应用在新的实体和关系类型上,这些难题使得在垂直领域构建知识图谱变得非常困难。为了解决垂直领域知识图谱构建困难和低效的问题,本文主要研究如何进行行业知识的抽取,并自动高效准确地构建垂直领域知识图谱。首先,为了构建用于进行知识抽取模型训练的增强数据集,本文提出基于词典和实例交叉的增强数据生成算法。其次,针对行业产品文档中的半结构化数据和非结构化数据,分别设计并实现了基于序列标注和子模式生成的表格知识抽取算法Bi-LSTM-CRF-SSG和基于BERT和概率图模型的联合实体关系抽取模型BERT-PGM。实验结果表明,经过后续容错处理,在测试数据集上,半结构化数据抽取算法能达到99.13%的抽取准确率,非结构化数据抽取算法能达到95.7%的抽取准确率。最后,本文实现了一个垂直领域知识图谱自动构建系统,并从功能和性能两个方面进行了系统测试,测试结果表明系统的功能和性能均满足用户需求。

基于社会影响力的推荐系统研究

这是一篇关于推荐系统,社会网络,社会影响力,概率图模型的论文, 主要内容为随着信息的爆炸式增长,推荐系统的出现提供了一种有效解决信息过载问题的手段,它能够帮助用户从互联网产生的海量信息中提取有用的信息内容。首先,它通过分析用户在互联网中产生的行为数据,然后在此基础上建立用户兴趣模型,为他们提供感兴趣或需要的内容。近几年,推荐系统研究广泛应用于计算广告,电商和视频网站等领域,提升了商业价值。然而传统的推荐算法忽略了社会网络中的社会影响力对推荐系统的影响,事实上,在现实生活中人们常常会选择朋友推荐的产品。于是,社会影响力也是一种提升推荐效果的重要来源,随着微博,微信等社交媒体的流行,越来越多的人开始研究在社会网络的基础上,利用社会关系等信息来提高推荐质量。本文在分析推荐系统领域的相关研究基础上,发现从用户之间的社会关系入手,加入用户的社会影响力能够有效改善推荐效果。然而,目前一些加入社会关系的推荐算法中,考虑的社会影响力都是单一静态的,忽略了社会影响力的多样性和动态变化等特征,显然这与事实是不相符合的。另外,用户在社会网络中往往会表现出不同的行为倾向,用户角色信息与行为特征又是息息相关的,而现有的一些加入社会关系的推荐算法往往忽略用户的角色多样性。因此,本文中主要从这两个方面入手来解决推荐系统中存在的问题。推荐系统需要挖掘用户的兴趣并预测他们的行为,而社会影响力正是探索用户交互的一种重要手段。通过分析用户交互网络,本文学习了多维度的社会影响力在挖掘用户潜在兴趣中的重要作用。然而,用户兴趣是随着时间变化的,社会影响力也是动态变化的,因此本文的目的是利用动态的社会关系为用户推荐感兴趣的商品,本文对用户由于社会交互而带来的兴趣变化进行建模,提出了一种概率图模型简称为IRDMSI来融入动态的多维度社会影响力。本文发现该模型不仅带来了很好的推荐效果,而且揭示了社会网络中用户动态交互行为的一些常见规律。此外针对用户间的社会网络关系,我们从社会理论的角度分析了社会影响力。然后,不同类型的用户(不同角色的用户)可能有不同的从众行为。现有的一些推荐算法大多都假设用户角色都是单一而忽略用户多样化的角色信息对推荐的重要影响。因此,我们研究了推荐系统中带有用户角色的从众倾向是如何变化的。我们首先通过定义一个通用函数来形式化从众影响力,然后提出结合用户角色和从众影响力的一个概率图模型,即角色从众推荐系统(RCRS)。该模型允许我们通过利用潜在因子和潜在角色作为特征为用户推荐商品。我们在几个数据集上评价该模型,实验结果显示我们的模型远超过一些现有的基准算法。