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。     

基于深度学习的英语教学资源个性化推荐系统

为准确、合理地为用户推荐英语教学资源，设计基于深度学习的英语教学资源个性化推荐系统。通过爬虫技术获取用户行为数据和英语教学资源数据，提取二者的特征并融合；利用深度学习模型建立用户行为特征和英语教学资源特征之间的关联，实现个性化推荐。测试结果表明：系统的召回率、准确率和归一化折损累积增益均保持在一个较高的水平上，说明其推荐效果较好。     

云应用程序编程接口安全研究综述:威胁与防护

云时代,云应用程序编程接口(API)是服务交付、能力复制和数据输出的最佳载体。然而,云API在开放服务和数据的同时,增加了暴露面和攻击面,攻击者通过数据劫持和流量分析等技术获取目标云API的关键资源,能够识别用户的身份和行为,甚至直接造成背后系统的瘫痪。当前,针对云API的攻击类型繁多,威胁与防护方法各异,缺乏对现有攻击和防护方法的系统总结。该文梳理了云API安全研究中云API面临的威胁和防护方法,分析了云API的演化历程和类别划分;讨论了云API的脆弱性以及云API安全研究的重要性;提出了云API安全研究框架,涵盖身份验证、云API分布式拒绝服务(DDoS)攻击防护、重放攻击防护、中间人(MITM)攻击防护、注入攻击防护和敏感数据防护6个方面相关研究工作综述。在此基础上,探讨了增加人工智能(AI)防护的必要性。最后给出了云API防护的未来挑战和发展趋势。     

基于深度学习的混合兴趣点推荐算法

针对现有兴趣点推荐的初始化和忽视评论信息语义上下文信息的问题,将深度学习融入推荐系统中已经成为兴趣点推荐研究的热点之一。该文提出一种基于深度学习的混合兴趣点推荐模型(MFM-HNN)。该模型基于神经网络融合评论信息与用户签到信息来提高兴趣点推荐的性能。具体地,利用卷积神经网络学习评论信息的特征表示,利用降噪自动编码对用户签到信息进行初始化。进而,基于扩展的矩阵分解模型融合评论信息特征和用户签到信息的初始值进行兴趣点推荐。在真实签到数据集上进行实验,结果表明所提MFM-HNN模型相比其他先进的兴趣点推荐具有更好的推荐性能。     

基于融合文本与评分的多头注意力推荐算法

基于协同过滤模型一直被数据的稀疏性问题限制了推荐效果，诸多研究利用深度模型去挖掘评论文本中的抽象特征，但却忽略协同过滤中矩阵分解的隐向量特征。为解决上述问题，文中提出一种融合文本与评分的多头注意力推荐算法模型MTS,将矩阵分解的隐向量特征作为多头注意力的key与CNN抽取的评论特征相结合，并计算用户与物品的相似矩阵，提取用户物品间的相互关联，最终输入FM实现特征融合并预测评分。实验表明，该模型与多个代表模型相比MAE都有较大提升，MAE的误差最大降低了22.17%。     

融合知识图谱与注意力机制的产学合作推荐研究

针对产学合作数据稀疏导致推荐精准性和解释性不高问题,提出了一种基于融合知识图谱与领域感知注意力机制的产学合作推荐模IUCR-SKG,旨在为企业用户推荐合适的科研团队,促进产学合作效率。首先构建了产学合作知识图谱和合作关系图,然后合并异构图并使用RotatE技术优化嵌入表示,接着采用基于注意力机制的领域融合方法扩展用户实体,最后使用多层感知机循环叠加结构预测企业用户和科研团队发生合作的概率。以“人工智能AI”领域为例,所提出的模型性能相较于基准模型均有显著提升,且注意力机制将邻域信息融合,扩展了企业用户的合作关系,使得推荐效果相较其他注意力机制的嵌入算法效果也得到一定的改善。     

信息智能推荐系统目标特征数据挖掘方法

为提高信息智能推荐系统的目标特征数据挖掘精度,提出新的信息智能推荐系统目标特征数据挖掘方法.采用分布式链路融合方法构建数据存储模型,在多维特征空间中实现对特征数据的解析,基于此分析目标特征分布集,根据大数据的关联规则分布特性,实现数据智能融合处理.采用显著度特征解析控制的方法提取目标特征模板匹配特征量,实现信息智能推荐...     

融合时间因素的隐语义模型推荐算法

针对传统推荐算法中存在数据稀疏和精确度不高的问题,提出一种融合时间因素的隐语义模型推荐算法,在隐语义模型中引入时间偏置项体现时间推移对用户兴趣偏好的影响,解决数据稀疏问题的同时降低时间推移造成的误差,结合基于邻域的协同过滤模型求出目标用户推荐列表。采用Movielens1M数据集验证算法的有效性,实验证明该算法与基于用户的协同过滤算法以及基于隐语义模型的推荐算法,能有效解决数据稀疏问题,在准确率、召回率和综合F值上分别比基于用户的协同过滤算法提高1.66%、2.12%、2.04%,比基于隐语义模型的推荐算法分别提高1.38%、1.48%、1.49%,能够进一步提高推荐系统的准确性及推荐质量。     

基于深度学习的实时DDoS攻击检测

分布式拒绝服务(DDoS)攻击是一种分布式、协作式的大规模网络攻击方式,提出了一种基于深度学习的DDoS攻击检测方法,该方法包含特征处理和模型检测两个阶段:特征处理阶段对输入的数据分组进行特征提取、格式转换和维度重构;模型检测阶段将处理后的特征输入深度学习网络模型进行检测,判断输入的数据分组是否为DDoS攻击分组.通过ISCX2012数据集训练模型,并通过实时的DDoS攻击对模型进行验证.结果表明,基于深度学习的DDoS攻击检测方法具有高检测精度、对软硬件设备依赖小、深度学习网络模型易于更新等优点.     

基于特征选择的推荐系统托攻击检测算法

基于协同过滤的电子商务推荐系统极易受到托攻击,托攻击者注入伪造的用户模型增加或减少目标对象的推荐频率,如何检测托攻击是目前推荐系统领域的热点研究课题.分析五种类型托攻击对不同协同过滤算法产生的危害性,提出一种特征选择算法,为不同类型托攻击选取有效的检测指标.基于选择出的指标,提出两种基于监督学习的托攻击检测算法,第一种算法基于朴素贝叶斯分类;第二种算法基于k近邻分类.最后,通过实验验证了特征选择算法的有效性,及两种算法的灵敏性和特效性.     

融入注意力网络的深度分解机推荐算法

推荐系统能够在海量的信息中找到满足用户个性化需求的信息。随着深度学习的发展,深度学习也开始广泛被推荐系统所应用。CTR预估在推荐系统中起着重要作用,已被应用在个性化推荐、信息检索、在线广告等多个领域。针对推荐系统数据量大且稀疏的问题,文中将注意力网络和xDeepFM模型融合,提出了一种新的基于深度学习的CTR预估模型,即Atte-xDeepFM模型。该模型能够解决特征稀疏问题,有效学习特征之间的交互关系,且不需要手动提取特征工程中的有用信息。在Avazu数据集和Criteo数据集上进行的对比实验证明了文中提出的模型的有效性。与推荐系统CTR预估常用的算法模型对比,文中所提出的模型具有更好的推荐效果。     

自动建立信任的防攻击推荐算法研究

 随着互联网中信息资源的日益增多,个性化推荐技术作为缓解"信息过载"的有效手段,得到了越来越多的研究者的关注.由于互联网天然的开放性,在商业利益的驱动下,部分恶意用户通过伪造虚假数据来影响系统的推荐结果,从而达到盈利的目的.本文提出一个自动建立信任的防攻击推荐算法,在考虑了用户评分相似性的基础上,引入适当的信任机制,通过为目标用户动态建立和维护有限数量的信任对象来获得可靠的推荐.大量基于真实数据集的实验表明,提出的算法能大大提高推荐系统的鲁棒性和可靠性,并在一定程度上提高了推荐的精准度.     

基于多模态深度神经网络的应用层DDoS攻击检测模型

为进一步提升应用层DDoS攻击检测准确率,提出一种将流量与用户行为特征相结合且模型参数可高效更新的应用层DDoS攻击检测模型.为统一处理流量与用户行为特征的异源数据,利用多模态深度(Multimodal Deep Learning,MDL)神经网络从数据流量与网页日志中提取流量与用户行为深层特征后输入汇聚深度神经网络进...     

基于多Kinect的家具自由曲面造型扫描系统设计

为解决目前三维扫描系统存在的数据捕捉效率低、曲面扫描精度低等问题,基于Kinect传感器构建了家具自由曲面造型扫描系统。采用OpenNI开源框架来搭建多个Kinect传感器在服务器与驱动之间的交互桥梁,并将被测家具物体的深度图像转变成具有三维坐标值的点云数据。在三维点云数据的后处理阶段,使用PCL开发库实现家具自由曲面三维点云数据配准、融合,以及完整的家具自由曲面造型三维点云模型的展示。实验结果表明,该系统与传统系统相比,数据捕捉效率以及扫描精度更高,而且稳定性强。     

基于用户多特征融合的个性化推荐模型

个性化推荐是提取特定信息的有效手段之一，针对传统推荐法中缺少用户特征问题，提出一种基于多特征融合的广义矩阵分解与深度长短期记忆网络混合推荐模型（hybrid recommendation model of generalized matrix factorization and deep long short-term memory network based on multi-features fusion,HMF）。该模型利用潜在特征向量维度表征年龄、职业对项目的选择性影响，凸显用户个性化；利用长短期记忆（long short-term memory,LSTM）获取用户与项目间的时序特征，再通过多层感知机挖掘其深层次的时序非线性高阶交互关系；将广义矩阵分解（generalizedmatrixfactorization,GMF）获得的简单非线性低阶交互关系与复杂时序非线性高阶交互关系融合，经全连接层得出最终预测评分。HMF有效地利用用户多特征和用户—项目交互信息，实现个性化动态精准推荐。为验证模型的有效性和可行性，在公开数据集MovieLens-1M上进行测试。仿真实验表明，当HMF...     

结合物理与几何特性的机载LiDAR数据分类方法EI北大核心CSCD

机载LiDAR数据分类是根据数据特征为每个点指定类别标签。针对现有方法忽略全波形与点云在物理特性上的关联、缺乏对邻域几何和语义相关性的深入挖掘,从而导致捕获局部结构能力不足的问题,搭建了结合目标物理与几何特性的分类方法,实现了由全波形和点云组成的机载LiDAR数据端到端分类。首先,构建了特征融合模块,提取了全波形时序特征和点云几何特征,依据两种数据物理意义上的关联,通过双低秩矩阵实现了全波形与点云特征级融合。其次,构建了邻域特征增强模块,挖掘点对相关性,增强对局部几何结构的学习。最后基于层次化编解码结构搭建了分类网络。该网络在机载LiDAR数据集上测试,达到平均精度0.96、平均召回率0.90、平均F1分数0.92,证明了网络的有效性。     

基于动态分析与深度学习的恶意程序检测方法

本文提出了一种将动态分析与深度学习相结合的恶意程序检测方法。本文使用Cuckoo沙箱提取应用程序运行时的API序列信息,具体包括API类型、API函数名以及参数。对API序列信息进行预处理后结合Word2vec模型将API序列信息转换成词向量,在此基础上,基于卷积神经网络构建恶意程序检测模型。为了验证检测模型的有效性,本文选择VirusShare数据集进行实验评估和对比,实验结果显示,结合API函数参数信息的检测结果在测试集上的平均准确率达到了94.19%,证明了检测模型的有效性,同时该结果高于未增加参数特征的准确率,说明引入API参数特征能提高对恶意程序的检测准确率。     

基于XML的英语学习资源协同过滤推荐方法

由于英语学习资源与正常文本或图像的数据属性特征存在一定差异，故无法为用户推荐符合需求的英语学习资源，因此，提出基于XML的英语学习资源协同过滤推荐方法。通过构建用户评分矩阵，设定英语学习资源为词频向量，利用改进的余弦相似性，度量邻域用户之间的相似性，根据解得的作品属性隶属函数，推导出属性特征隶属度矩阵，分别计算XML文档的内容相似度与结构相似度，经加权融合求解作品的综合相似度，实现英语学习资源的个性化推荐。实验结果表明，所提方法推荐结果较为精准，具有有效性与可行性。     

基于点云深度映射颜色的导轨表面损伤识别

针对高速滑动电接触导轨,研究了表面微小损伤快速检测及分类识别方法。基于激光扫描原理,构建了三维测量系统,用于获取导轨表面形貌的三维点云信息,并给出了一种基于点云深度映射颜色的方法,用于导轨表面微小损伤的检测。将三维点云数据经过去噪、滤波平滑、数据精简等预处理之后,根据所设定的深度基准平面,构建点云深度映射颜色模型,将点云深度信息映射为红绿蓝(RGB)信息,采用一维最大熵法设定最优颜色阈值,实现损伤区域的准确提取;采用二叉树模式识别方法,建立损伤分类模型,实现导轨表面微小损伤的识别与分类。结果表明,损失质量小于1 g的微小损伤检出率达98%以上、微小质量损失检测精度可达毫克级;凹坑与划痕两大类损伤识别率达80%以上。     

基于攻击图模型的网络安全态势评估方法

针对网络攻击出现的大规模、协同、多阶段的特点,提出一种基于攻击图模型的网络安全态势评估方法.首先,结合攻击事件的时空特征融合多源告警数据构建网络攻击行为特征;其次,基于告警信息映射攻击节点,关联多步攻击的路径;再次,在构建攻击图的基础上,结合转移序列构建攻击节点转移概率表,将转移概率引入攻击图中,推断攻击者的攻击意图;...