基于知识图谱的兴趣点推荐算法

本文通过介绍基于知识图谱的兴趣点领域推荐算法并通过实验验证,证明使用基于知识图谱的推荐方法在兴趣点推荐领域切实有效。     

基于深度学习的电影推荐系统设计与实现

大数据时代,必然涌现出各种各样的海量数据,而推荐系统是帮助人们选择数据的有效手段之一。目前,以协同过滤算法为代表的传统推荐算法已经无法满足人们的个性化选择的需求。本文利用深度神经网络构建基于深度学习的推荐模型,抽取用户和电影的特征,并且设计一个多层神经网络将用户和电影特征进行深度交互,从而挖掘用户和电影的深层交互关系,得出用户的偏好。通过相关Spark、Flink、Tensorflow等技术实现对深度学习电影推荐系统的构建和部署。研发出了个性化电影推荐系统。     

基于类别转移加权张量分解模型的兴趣点分区推荐

基于位置社交网络的兴趣点(POI)推荐是人们发现有趣位置的重要途径,然而,现实中用户在不同区域的地点偏好侧重的差异,加之高维度的历史签到信息,使得精准而又个性化的POI推荐极富挑战性。对此,该文提出一种新型的基于类别转移加权张量分解模型的兴趣点分区推荐算法(WTD-PR)。通过结合用户连续行为和时间特征,来充分利用用户的历史访问信息,从而得到类别转移权重因子;接着改进用户-时间-类别张量模型,在此张量中加入类别转移权重,预测用户的喜好类别;最后,根据用户的历史访问区域划分出本地和异地,并基于用户的当前位置找出推荐区域范畴,进而引入位置因素和社交因素,结合候选类别作兴趣点分区推荐。通过在真实数据集上进行对比实验,实验结果表明,所提算法不仅具有通用性,而且在推荐性能上也优于其他对比算法。     

基于深度学习的短视频智能推荐算法技术

采用目前方法对短视频进行智能推荐时,没有对用户的长短期喜好分别进行考虑,导致点击率和推荐准确率低、综合推荐效果差的问题。提出基于深度学习的短视频智能推荐算法技术,首先提取目标短视频的场景特征和行为特征,从而得到联合特征,然后采用深度学习分别对用户的长短期喜好进行建模分析,最后结合目标短视频的联合特征和用户短视频喜好特征计算相似度和喜好度,选取喜好度最高的若干短视频构成推荐列表,完成短视频的智能推荐。实验结果表明,所提方法具有更高的点击率、推荐准确率和更好的综合推荐效果。     

基于深度学习的点胶缺陷检测

在工业生产中,主要利用自动点胶机对工业相机底座表面进行点胶,而实际生产中由于自动点胶机工艺水平的限制,胶水不可避免的破裂、胶水的宽度太厚或太细,胶水不足等现象也是屡见不鲜。生产中如果不能及时检测出此类不良产品,将会影响到产品部件之间的连接,进而影响到整个产品的质量。因此,在需要点胶以实现粘合效果的各种应用中,严格控制点胶的质量是非常重要的。传统的点胶质量检测主要依靠手动检测方法,具有工作量大,工作效率低,检测精度不足等缺点,不能满足胶水检测的工业生产需求。为了提高点胶缺陷检测的准确率以及检测的稳定性,在本文中,我们使用深度学习卷积神经网络对胶条进行缺陷检测。通过模型的比较,最终采用LeNet-5卷积神经网络,同时在此基础上进行了改进,使得算法的鲁棒性以及准确率有所提升。     

基于用户兴趣变化的混合推荐算法分析

推荐算法被应用在商品购物、音乐推荐、书籍推荐等网站.如何根据这些已有的用户行为数据让用户快速做出抉择,推荐算法显得十分重要.传统的协同过滤算法没有考虑到用户的兴趣是随时间而变化的.文章首先在传统的协同过滤算法的基础上构建时间变化函数,对用户以往的评分数据,对数据做时间加权,提高预测用户兴趣的能力.针对当前推荐算法都会遇...     

基于改进的深度兴趣网络推荐系统研究

针对推荐系统中用户兴趣度标签消失问题,在排序层提出一种改进的深度兴趣网络模型。首先,将深度兴趣网络模型应用于视频推荐领域,并在改进的模型中加入平衡因子,有效地解决了在训练过程中用户兴趣度标签消失问题。其次针对推荐系统整体召回率问题,在召回层提出一种混合推荐模型。使用Item2vec模型和贝叶斯个性化排序模型组合成一种混合推荐模型。实验结果显示：改进后的深度兴趣网络和混合模型应用在视频推荐系统中很好地提高了推荐效果。     

基于深度学习与社交感知的地点推荐

随着基于位置的社交网络的普及,地点推荐作为推荐系统的重要分支,在解决信息过载、提升用户体验、增加平台收益等方面的作用愈加明显。现有的地点推荐算法大多基于矩阵分解,难以刻画用户和地点之间复杂的交互关系;此外,在基于位置的社交网络中,社交信息是建立用户画像的重要数据来源,如何融合社交信息辅助地点推荐成为亟待解决的问题。本文研究了基于深度神经网络的地点推荐解决方案,通过设计基于社交信息的新型采样方式和正则化损失函数,从两个角度融合社交信息。在两个真实世界数据集上的实验表明,本文提出的方案可以极大提升地点推荐的精准度。     

基于注意力机制的深度学习推荐模型研究

文章从注意力机制结合其他深度技术的角度探讨基于注意机制的深度学习技术在推荐领域的应用类型,将注意力机制结合卷积神经网络、循环神经网络进行归纳梳理,并对局限性进行探讨,最后展望推荐领域未来研究趋势.     

基于深度学习的手语识别综述

手语识别涉及计算机视觉、模式识别、人机交互等领域,具有重要的研究意义与应用价值。深度学习技术的蓬勃发展为更加精准、实时的手语识别带来了新的机遇。该文综述了近年来基于深度学习的手语识别技术,从孤立词与连续语句两个分支展开详细的算法阐述与分析。孤立词识别技术划分为基于卷积神经网络(CNN)、3维卷积神经网络(3D-CNN)和循环神经网络(RNN) 3种架构的方法;连续语句识别所用模型复杂度更高,通常需要辅助某种长时时序建模算法,按其主体结构分为双向长短时记忆网络模型、3维卷积网络模型和混合模型。归纳总结了目前国内外常用手语数据集,探讨了手语识别技术的研究挑战与发展趋势,高精度前提下的鲁棒性和实用化仍有待于推进。

     

基于深度学习的关节点行为识别综述

关节点行为识别由于其不易受外观影响、能更好地避免噪声影响等优点备受国内外学者的关注,但是目前该领域的系统归纳综述较少。该文综述了基于深度学习的关节点行为识别方法,按照网络主体的不同将其划分为卷积神经网络(CNN)、循环神经网络(RNN)、图卷积网络和混合网络。卷积神经网络、循环神经网络、图卷积网络分别擅长处理的关节点数据表示方式是伪图像、向量序列、拓扑图。归纳总结了目前国内外常用的关节点行为识别数据集,探讨了关节点行为识别所面临的挑战以及未来研究方向,高精度前提下快速行为识别和实用化仍然需要继续推进。     

基于深度强化学习的服务功能链可靠部署算法

针对当前关于服务功能链(SFC)的部署问题都未考虑到虚拟网络功能(VNF)的失效重要度,该文提出了基于深度强化学习的SFC可靠部署算法。首先建立VNF和虚拟链路可靠映射模型,为重要的VNF设置高可靠性需求,并通过链路部署长度限制尽可能保证虚拟链路可靠性需求。其次,以负载均衡为资源协调原则,与VNF可靠性联合优化,最终使用深度强化学习得到服务功能链部署策略。另外,提出了基于重要度的节点备份和链路备份策略,用于应对部署过程中VNF/链路可靠性难以满足的情况。仿真结果表明,该文的可靠部署算法在保证可靠性需求的基础上能够有效减少SFC失效损失,同时使虚拟网络更加稳定可靠。

     

基于相频特性的稳态视觉诱发电位深度学习分类模型

针对现有深度学习分类方法对稳态视觉诱发电位相位与频率信息利用不充分的问题,该文提出一种用于稳态视觉诱发电位(SSVEP)分类的卷积神经网络模型。该模型以经过快速傅里叶变换后的复向量作为输入,首先对各个导联的实部向量和虚部向量进行卷积,学习相位信息;随后引入空间注意力机制,对判别频率信息进行增强;然后使用2维卷积和最大池化层进一步提取空域和频域信息;最后使用全连接层进行分类。实验结果表明利用该方法在跨受试情况下准确率可达到81.21%,通过在训练集增加标准正弦信号模板准确率可进一步提升至83.17%,相比典型相关分析方法获得了更好的分类效果。     

基于深度学习的YOLO目标检测综述

目标检测是计算机视觉领域的一个基础任务和研究热点。YOLO将目标检测概括为一个回归问题,实现端到端的训练和检测,由于其良好的速度-精度平衡,近几年一直处于目标检测领域的领先地位,被成功地研究、改进和应用到众多不同领域。该文对YOLO系列算法及其重要改进、应用进行了详细调研。首先,系统地梳理了YOLO家族及重要改进,包含YOLOv1-v4, YOLOv5, Scaled-YOLOv4, YOLOR和最新的YOLOX。然后,对YOLO中重要的基础网络,损失函数进行了详细的分析和总结。其次,依据不同的改进思路或应用场景对YOLO算法进行了系统的分类归纳。例如,注意力机制、3D、航拍场景、边缘计算等。最后,总结了YOLO的特点,并结合最新的文献分析可能的改进思路和研究趋势。     

融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性。而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度。对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交互(RTRM)的深度模型,该模型能够提取评论文本和评分矩阵的深层次特征,并结合它们进行评分预测;其次,通过使用预训练的Electra模型得到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文本的分析,解决了短文本的语义难以分析的问题;同时,在融合层模块中,用户(物品)评论和评分矩阵进行交互,最终预测出用户对商品的评分;最后,在6组数据集上,采用均方误差(MSE)进行性能对比实验,实验结果表明该文模型性能优于其他系统,且平均预测误差最大降低了12.821%,该模型适用于向用户推荐精确的物品。     

基于深度增强学习的软件定义网络路由优化机制

为优化软件定义网络(SDN)的路由选路,该文将深度增强学习原理引入到软件定义网络的选路过程,提出一种基于深度增强学习的路由优化选路机制,用以削减网络运行时延、提高吞吐量等网络性能,实现连续时间上的黑盒优化,减少网络运维成本。此外,该文通过实验对所提出的路由优化机制进行评估,实验结果表明,路由优化机制具有良好的收敛性与有效性,较传统路由协议可提供更优的路由方案与实现更稳定的性能。     

基于深度学习的探地雷达二维剖面图像结构特征检测方法

该文针对探地雷达(GPR) 2维剖面图像中目标特征提取困难及其识别精度较低等问题,采用深度学习方法来提取2维剖面图像中目标的特征双曲线。根据GPR工作的物理机制,设计了一种级联结构的卷积神经网络(CNN),先检测并去除回波数据中的直达波干扰信号,再利用CNN得到B扫描(B-SCAN)图像的特征图,并对特征信号进行分类识别以提取目标的特征双曲线。同时,为处理各种干扰信号影响目标特征双曲线结构完整性的问题,提出了一种基于方向引导的特征数据补全方法,提高了目标特征双曲线识别的准确率。与方向梯度直方图(HOG)算法、单级式目标检测(YOLOV3)算法和更快速的区域卷积神经网络(Faster RCNN)算法相比,在综合评价指标F上该文方法的检测结果是最优的。     

A Novel Simple Visual Tracking Algorithm Based on Hashing and Deep Learning

Deep network has been proven efficient and robust to capture object features in some conditions.It still remains in the stage of classifying or detecting objects.In the field of visual tracking,deep network has not been applied widely.One of the reasons is that its time consuming made the strong method could not meet the speed need of visual tracking.A novel simple tracker is proposed to complete tracking task.A simple six-layer feed-forward backpropagation neural network is applied to capture object features.Nevertheless,this representation is not robust enough when illumination changes or drastic scale changes in dynamic condition.To improve the performance and not to increase much time spent,image perceptual hashing method is employed,which extracts low frequency information of object as its fingerprint to recognize the object from its structure.64-bit characters are calculated by it,and they are utilized to be the bias terms of the neutral network.This leads more significant improvement for performance of extracting sufficient object features.Then we take particle filter to complete the tracking process with the proposed representation.The experimental results demonstrate that the proposed algorithm is efficient and robust compared with the state-of-the-art tracking methods.     

基于深度神经网络的收发同时系统中自干扰数字对消算法

为了解决转发式干扰机收发同时系统中的自干扰难以对消问题,该文设计一种基于深度神经网络(DNN)的自干扰对消算法。在自干扰信号与目标信号强相关且混叠的情况下该算法可以有效地消除自干扰信号。在此基础上,该文利用分段侦收的信号快速生成干扰的方法,验证了该算法在收发同时系统中自干扰信号对消的可行性,实现了基于本脉冲的雷达干扰信号构建,对敌方雷达快速做出反应,在电子对抗中占据有利地位。该文利用典型的线性调频(LFM)和二进制相移键控(BPSK)雷达信号生成数据集训练深度神经网络,用测试集去测试网络输出的模型。实验结果表明：在收发同时系统中目标信号与自干扰信号混叠的情况下,基于DNN的自干扰对消算法可以有效消除自干扰信号,在信干比–8 dB的情况下,对消比可达到26 dB以上。