融合交互意图的图神经网络协同过滤算法

传统的协同过滤方法很大程度上以一种统一的方式进行建模,未从交互意图的细粒度上考虑建模关系。为此提出一种融合交互意图的图神经网络协同过滤算法（INTNGCF）。首先,通过将边分解成多个潜在空间来识别潜在意图;其次,利用交互意图融合层确定这些潜在意图的重要性;最后,生成用户对项目的预测评分。在三个真实数据集上与七种基线模型进行对比实验,结果表明,提出的算法与其他先进的推荐模型相比具有一定的性能优势。     

基于影响力扩散的会话推荐模型

会话推荐的任务是根据用户近期的点击行为预测下一个点击.该领域之前的模型主要关注到会话推荐中的时序模式(序列特征),但是由于用户兴趣迁移以及商品多属性等因素,物品之间的交互关系可能比呈现出来的时序模式更为复杂.为了解决该问题,受PageRank算法的启发,把会话点击和网页跳转联系起来,提出了一个会话推荐中的影响力扩散模型.具体地说,该模型在会话序列的显式时序结构之上构建了会话图,刻画出更加丰富的转移路径,并通过图扩散模型捕获到物品之间的潜在交互关系.在会话表示阶段,该模型提出了一种新颖的位置编码方式来应对兴趣迁移的状况,并在此基础上设计了一种意图提取框架,能在多兴趣会话中迭代出核心意图.在真实数据集上的实验结果表明,所提模型相较于以往方法有较好的性能,并有效解决了兴趣迁移的问题.     

智能主体的等级BDI(信念、愿望和意图)模型

BDI(信念、愿望和意图)模型是影响最为广泛的主体技术之一。在把无穷值的ukasiewicz逻辑和命题动态逻辑进行融合后对等级BDI主体模型进行形式化的基础上,提出了GBDIPDL+LL逻辑。为了通过概率、必然性和可能性对不确定性行为进行表示和推理,把相应的公理添加到ukasiewicz逻辑中。文中的GBDIPDL+LL主体模型使用多背景系统,清晰地表示了信念、愿望和意图的不确定性。GBDIPDL+LL主体行为则通过添加具体条件的每种背景的不同测度来决定。对信念、愿望和意图的模型进行了公理化,并说明了它们对主体行为的影响,该模型可以很轻易地向包括其他心理状态的主体进行推广。在给出了GBDIPDL+LL模型语言、语义和GBDIPDL+LL逻辑的公理和演绎规则后,证明了此逻辑系统的完全性和可靠性。之后,在对复合行动进行形式刻画的基础上,描述了GBDIPDL+LL模型的不同背景之间的关系。文章立足于不确定性的表示和推理,志在为分布式人工智能提供形式支持。     

区分交互意图的图卷积协同过滤算法

近几年提出了一些基于图卷积网络的协同过滤推荐模型,然而大部分模型将邻域权重视为常量且不区分用户和物品间的交互关系,无法获取令用户满意的推荐列表。因此,为了得到用户和物品更准确的嵌入表示,提出一种区分交互意图的图卷积协同过滤推荐算法MiGCCF(multi-intention graph convolutional collaborative filtering)。该算法将交互关系进行分解,细粒度分析用户与物品间的交互意图,并引入注意力机制,在消息传播过程中赋予邻域可学习的注意力权重,挖掘用户对于不同交互物品的喜爱度。在Gowalla与Amazon-book上的实验表明,该算法相比于基准算法,在两个数据集上的HR@50和NDCG@50指标分别提高了12.5%和8.5%,具有更好的性能表现。     

结合全局信息的深度图解耦协同过滤

基于GCN的协同过滤模型通过用户物品交互二部图上的信息聚合过程生成用户节点和物品节点的表示，预测用户对物品的偏好。然而，这些模型大多没有考虑用户不同的交互意图，无法充分挖掘用户与物品之间的关系。已有的图解耦协同过滤模型建模了用户的交互意图，却忽略了图全局信息，没有考虑用户节点和物品节点的本质特征，造成表示语义不完整；并且由于受到模型迭代结构的影响，意图解耦学习的过程并不高效。针对上述问题，设计了结合全局信息的深度图解耦协同过滤模型G2DCF(Global Graph Disentangled Collaborative Filtering)。该模型构建了图全局通道和图解耦通道，分别学习节点的本质特征和意图特征；通过引入正交约束和表示独立性约束，使用户-物品的交互意图尽可能唯一防止意图退化，同时提高不同意图下表示的独立性，提升模型的解耦效果。对比已有的图协同过滤模型，G2DCF能更综合地刻画用户特征和物品特征。在3个公开数据集上进行了实验，结果表明G2DCF在多个评价指标上优于对比方法；分析了表示分布的表示独立性和表示均匀性，验证了模型的解耦效果；同时从收敛速度上进行了对比，验证了模型的...     

多空间交互协同过滤推荐

大数据时代,由于信息过载,用户很难从海量数据中寻找出感兴趣的内容,个性化推荐系统的诞生极好地解决了这个问题.协同过滤算法被广泛应用于个性化推荐领域,但由于模型的限制,推荐效果未能得到进一步提升.现有的基于协同过滤模型的改进方法大多都是通过引入表示学习方法来得到更好的用户表示向量和项目表示向量,或通过改进用户项目匹配函数来提升推荐能力,但此类工作都致力于从单个交互提取用户-项目交互信息.文中提出了一种多空间交互协同过滤推荐算法,将用户向量和项目向量映射到多空间,从多角度做用户-项目交互,使用两层注意力机制聚合最终的用户表示向量和项目表示向量,以进行评分预测.在公开的真实数据集上,多空间交互协同过滤模型(MSICF)与多个基线模型进行了对比实验,MSICF模型的评估优于对比的基线方法.     

基于上下文信息的口语意图检测方法

近年来,随着人工智能的发展与智能设备的普及,人机智能对话技术得到了广泛的关注。口语语义理解是口语对话系统中的一项重要任务,而口语意图检测是口语语义理解中的关键环节。由于多轮对话中存在语义缺失、框架表示以及意图转换等复杂的语言现象,因此面向多轮对话的意图检测任务十分具有挑战性。为了解决上述难题,文中提出了基于门控机制的信息共享网络,充分利用了多轮对话中的上下文信息来提升检测性能。具体而言,首先结合字音特征构建当前轮文本和上下文文本的初始表示,以减小语音识别错误对语义表示的影响;其次,使用基于层级化注意力机制的语义编码器得到当前轮和上下文文本的深层语义表示,包含由字到句再到多轮文本的多级语义信息;最后,通过在多任务学习框架中引入门控机制来构建基于门控机制的信息共享网络,使用上下文语义信息辅助当前轮文本的意图检测。实验结果表明,所提方法能够高效地利用上下文信息来提升口语意图检测效果,在全国知识图谱与语义计算大会(CCKS2018)技术评测任务2的数据集上达到了88.1%的准确率(Acc值)和88.0%的综合正确率(F1值),相比于已有的方法显著提升了性能。     

基于本体的分布式实例推理技术研究

为了克服单一实例库知识的局限性,实现分布式环境下多数据源的知识重用和共享,提出了一个分布式实例推理系统框架.系统通过本体服务器建立和维护实例库之间的本体知识,其中基本本体为知识的表示提供了全局约束和基础,实例推理服务器可以在基本本体框架下定义领域本体来灵活表达各自的领域知识,而本体目录则为知识的检索提供了向导.本体的引入解决了不同实例库之间知识的互理解和互操作性,能够有效地实现多实例库的协同推理.系统采用Web Service技术构建,是一个开放的系统框架,具有很强的可扩展性.     

多Agent战术意图识别的知识组织与问题求解

通过对军用计划识别领域特性的分析，指出多Agetit战术意图识别问题本质上是一个反绎推理问题。在对战术意图识别问题详细展开的基础上，重点论述了多Agetit战术意图识别问题中计划库的知识组织与逻辑描述，建立了战术意图识别过程中诸要素之间的逻辑联系，并以此为基础框架提出了基于反绎逻辑的计划识别算法。     

一种基于自注意力机制的组推荐方法

基于自注意力网络和神经协同过滤模型（neural collaborative filtering,NCF）提出一种基于自注意力机制的组推荐系统模型SAGR（self-attention group recommendation）,用于建模用户交互数据以及学习群组潜在偏好的表示。通过在用户级和项目级分别使用自注意力机制,动态调整组中每个用户的权重,解决偏好融合问题从而得到组表示。再通过多层神经网络框架NCF从数据中挖掘组和项目之间的交互,最终完成群组推荐。在CAMRa2011和MovieLens数据集上与同类方法进行对比,实验结果表明SAGR方法能够取得更好的组推荐结果。     

The effect of emotional feedback on behavioral intention to use computer based assessment

This study introduces emotional feedback as a construct in an acceptance model. It explores the effect of emotional feedback on behavioral intention to use Computer Based Assessment (CBA). A female Embodied Conversational Agent (ECA) with empathetic encouragement behavior was displayed as emotional feedback. More specifically, this research aims at investigating the effect of Emotional Feedback on Behavioral Intention to Use a CBA system, Perceived Playfulness, Perceived Usefulness, Perceived Ease of Use, Content and Facilitating Conditions. An appropriate survey questionnaire was completed by 134 students. Results demonstrate that Emotional Feedback has a direct effect on Behavioral Intention to Use a CBA system and on other crucial determinants of Behavioral Intention. Finally, the proposed acceptance model for computer based assessment extended with the Emotional Feedback variable explains approximately 52% of the variance of Behavioral Intention.     

对话意图及语音识别错误对交互体验的影响

在自然人机对话中,由于环境噪声、方言口音等因素带来的语音识别错误以及语义分析的不充分等原因,计算机在理解用户交互意图时出现偏差,使得计算机对要反馈的话题出现错误,造成人机对话进程的断裂.以面向咖啡为主题的漫谈式人机对话为例,将对话中断分为3种情况：话题反馈不当引起中断、话题正确情况下的模糊反馈不当和精确反馈不当引起中断.根据用户与计算机对话的记录分析比较上述3种情况下人机对话进程断裂情况.统计数据结果表明,话题反馈不当带来的对话中断最为明显,在对话进程断裂情况中达到了60.1%的比例;在话题反馈正确情况下,模糊回答不当和精确回答不当带来的话题中断比例分别为22.2%和21.6%;在语音识别错误情况下,语义分析会带来数量更大的反馈错误.实验数据分析结果表明,在语音识别错误情况下,根据上下文信息提高计算机对用户话题反馈的准确率,能够有效降低人机对话的中断,提高人机对话的自然度.该工作为自然人机对话的意图分类重要性提供了数据分析和实验论证.     

基于隐马尔可夫模型的攻击意图识别技术研究

攻击意图识别是海量报警数据处理的重要技术。隐马尔可夫模型HMM能够很好地对复杂攻击行为建模，但对含干扰因素报警序列的攻击意图识别效果不够理想。本文为此提出了改进方案，并根据攻击意图识别的特殊性定义了新的解码问题，设计了解码算法。     

工业环境下的人机交互状态数据仿真研究

传统人机交互状态数据模拟过程数据视域特征采集不准确、数据模拟不连续,导致人机交互状态数据检测能力偏低,提出基于模糊关联聚类分析的人机交互状态数据模拟及挖掘方法。采用定量递归分析法完成数据模糊关联聚类。利用关联特征分布序列调度法,得到人机交互状态数据的规则训练集。在模糊扰动约束下,得到人机交互状态数据的聚类目标函数。采用相关性检测方法进行数据的人机交互设计,采用替代数据法对工业环境下的人机交互状态数据进行复指数检测,提取人机交互状态数据的弱关联性指数特征,分离工业环境下人机交互状态数据的信息,实现对工业环境下的人机交互状态数据仿真。仿真结果表明,采用上述方法进行人机交互状态数据模拟数据视域特征采集准确,且具有连续性,提高了研究方法的可应用性。     

Intelligent Human-Machine Interaction Based on Dynamic Bayesian Networks Probabilistic Intention Recognition

In this article, a novel human–machine interaction based on the machine intention recognition of the human is presented. This work is motivated by the desire that intelligent machines as robots imitate human–human interaction, that is to minimize the need for classical direct human–machine interface and communication. A philosophical and technical background for intention recognition is discussed. Here, the intention–action–state scenario is modified and modeled by Dynamic Bayesian Networks to facilitate for probabilistic intention inference. The recognized intention, then, drives the interactive behavior of the machine such that it complies with the human intention in light of the real state of the world. An illustrative example of a human commanding a mobile robot remotely is given and discussed in details.     

面向人机对话意图分类的混合神经网络模型

随着人机对话的不断发展,让计算机能够准确地理解用户查询意图,对整个人机对话领域都有着重要意义.意图分类的主要目标是在人机对话的过程中判断用户的意图,提升人机对话系统的准确度与自然度.首先分析多个分类模型在意图分类任务上的优缺点.在此基础上,提出一种混合神经网络模型,综合利用多个深度网络模型的多样性输出.在输入特征预处理上,采用语言模型词向量,将语言模型拥有的语义挖掘能力应用到混合网络中,可以进一步提升模型的表达能力.所提出的混合神经网络模型相对于最好的基准模型在两份数据集上分别取得了2.95%和3.85%的性能提升.新模型在该数据上取得了最优的性能.     

基于BERT-FNN的意图识别分类

意图识别分类是自然语言处理领域的一个热点问题,在智能机器人、智能客服中如何根据上下文理解用户意图是一个重点问题,同时也是一个难点问题。传统的意图识别分类主要是采用基于规则、模板匹配的正则化方法或基于机器学习的方法,然而却存在计算成本高、泛化能力差的问题。针对上述问题,本文设计以Google公开的BERT预训练语言模型为基础,进行输入文本的上下文建模和句级别的语义表示,采用［cls］符号(token)对应的向量代表文本的上下文,再通过全连接神经网络(FNN)对语句进行特征提取,为了充分利用数据,本文利用拆解法的思想,将多分类问题转换成多个二分类问题处理,每次将一个类别作为正例,其余类别均作为负例,产生多个二分类任务,从而实现意图分类。实验结果表明,该方法性能优于传统模型,可以获得94%的准确率。     

多模态人机交互综述

多模态人机交互旨在利用语音、图像、文本、眼动和触觉等多模态信息进行人与计算机之间的信息交换。在生理心理评估、办公教育、军事仿真和医疗康复等领域具有十分广阔的应用前景。本文系统地综述了多模态人机交互的发展现状和新兴方向,深入梳理了大数据可视化交互、基于声场感知的交互、混合现实实物交互、可穿戴交互和人机对话交互的研究进展以及国内外研究进展比较。本文认为拓展新的交互方式、设计高效的各模态交互组合、构建小型化交互设备、跨设备分布式交互、提升开放环境下交互算法的鲁棒性等是多模态人机交互的未来研究趋势。     

联合意图的理论框架

0 引言 agent是指在某一环境下能够持续自主运行,具有社会性、反应性等特征的计算实体。多agent系统由一组具有一定资源和能力、相对独立且交互合作的agent组成。由于多agent系统提供了更高层次的抽象模型,能够自然、贴切、直观地表示现实世界中的计算实体及其问题求解方式,因而有关agent理论和技术的研究引起了人们的高度重视。     

一个新的意图后承形式系统Lm5c

建立意图后承的形式化推理系统是意图形式化研究中的一个重要课题.提供了一个新的基于"归约蕴涵"的意图后承形式系统L_m5c,给出了意图后承的形式规范.与已有的意图后承形式系统相比,这个系统比较简单,并具有许多现有同类系统所不具备的优良性质,比如无副作用.此外,还具有较强的推理能力,可供Agent自身用于意图推理和目标修改.