融合社交关系的轻量级图卷积协同过滤推荐方法

图卷积网络(graph convolution network, GCN)因其强大的建模能力得到了迅速发展,目前大部分研究工作直接继承了GCN的复杂设计（如特征变换,非线性激活等）,缺乏简化工作。另外,数据稀疏性和隐式负反馈没有被充分利用,也是当前推荐算法的局限。为了应对以上问题,提出了一种融合社交关系的轻量级图卷积协同过滤推荐模型。模型摒弃了GCN中特征变换和非线性激活的设计;利用社交关系从隐式负反馈中产生一系列的中间反馈,提高了隐式负反馈的利用率;最后,通过双层注意力机制分别突出了邻居节点的贡献值和每一层图卷积层学习向量的重要性。在2个公开的数据集上进行实验,结果表明所提模型的推荐效果优于当前的图卷积协同过滤算法。     

基于改进局部一致性约束的立体匹配算法

针对PatchMatchStereo立体匹配算法在实现倾斜平面时，因使用随机函数生成平面参数而导致算法计算量大且误匹配率高的问题，提出一种基于局部一致性约束的立体匹配算法。首先，通过对图像中的像素进行稀疏匹配获得视差置信度高的支撑点；其次，利用三角剖分为图像内各像素点确定一个三角平面，计算平面参数并分配给该平面内的点；然后，通过迭代传播为每个像素点找到更加准确的平面参数，构建出局部一致性平行窗口模型；最后，通过平面参数计算视差值并通过视差后处理优化视差。本文算法在Middlebury评估平台第三版标准测试数据集上进行实验，实验结果表明，处理后的平均误匹配率比PMS算法降低了4.39%，其中对单个图像的误匹配率最高降低15.42%。本文算法在降低误匹配率的同时提高了图像处理的效率，相较于其他算法具有显著的优越性。