应用卷积神经网络的学习推荐系统

在传统的学习过程中,学习者需要题海战术来了解和完善自身的知识掌握情况。这就面临着练习题目重复、单调、冗余与知识点零散、片面、不连贯的问题。针对这一现象,本文提出了一种基于卷积神经网络对接标签的学习推荐系统。该系统通过个性化推荐来满足个体化差异,大大提高了用户的学习效率,为用户提供了一个更加完整、全面、连贯的知识体系。     

融合评分和社会标签的卷积神经网络推荐模型研究

基于线性模型的矩阵分解推荐算法对信息的特征提取单一,当用户和物品含有大量隐含信息时,无法满足用户需求的个性化推荐.针对此问题,提出一种评分和社会标签融合的卷积神经网络推荐算法,该算法能够根据上下文信息,利用非线性模型提取隐含高阶信息,处理复杂且稀疏的数据.首先,设计由两路由多层感知器和卷积神经网络组成的深层网络结构,分...     

基于卷积神经网络的多标签图像自动标注

如今生活中,图像资源无处不在,海量的图像让人应接不暇。如何快速有效地对这些图像信息进行查询、检索和组织,成为了当前亟需解决的热门问题。而图像自动标注是解决基于文本的图像检索的关键。文中提出的这套基于深度学习模型中的卷积神经网络模型的多标签图像自动标注系统,实现了多标签损失排名函数,完成了多标签数据的训练与测试。在实验验证上,先选取CIFAR-10数据集进行算法的有效性测试,然后选取多标签图像数据集Corel 5k进行定量测试比较,结果表明,该算法的综合性能指标与现有算法相比有较大的提升。     

基于循环时间卷积网络的序列流推荐算法

针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题。综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量。为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出。RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品。利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验。实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6%~13%,比传统推荐算法高出9%~59%。通过对比不同的损失函数,模型在交叉熵损失函数下表现最优。此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力。     

基于卷积神经网络的电视频道推荐算法

随着网络和电视服务行业的发展,网络电视平台可以为用户提供更丰富的电视频道,但对于用户而言,挑选喜爱频道的难度大幅提高。针对此问题,本文提出了基于文本卷积神经网络(TextCNN)的电视频道推荐算法,首先根据用户历史观看行为得到隐性观看特征,以及根据用户观看电视频道不同时段的节目简介得到用户特征标签和电视频道标签,然后在卷积神经网络模型中训练得到预测评分,最后通过预测评分对目标用户进行推荐个性化推荐,同时考虑了冷启动问题,使用K-Means方法来解决。我们设计了不同推荐算法的性能对比实验,最终通过基于广电运营平台中真实数据集的实验表明我们提出的算法优于其他几种基线推荐方法,提高了推荐质量。     

基于卷积神经网络的评论文本兴趣点推荐算法

针对基于位置社交网络中的兴趣点推荐存在用户签到数据稀疏、评论文本信息利用不充分、推荐准确度不高等问题, 提出一种基于卷积神经网络的评论文本兴趣点推荐模型(RT-CNN). 首先采用高斯函数利用邻近地理位置加权方法填补矩阵分解模型中缺少的位置信息, 预测用户对未签到位置的潜在兴趣. 然后通过卷积神经网络处理评论文本信息挖掘潜在特征, 深度提取用户情感倾向, 使用Softmax逻辑回归函数获得评论文本与用户和位置兴趣点潜在特征相关的概率, 通过对目标函数的求解提取用户和位置潜在特征向量. 最后融合签到行为、地理位置影响、用户情感倾向、用户潜在特征和位置兴趣点潜在特征进行兴趣点推荐. 在公开的Foursquare网站纽约(NYC)和洛杉矶(LA)两个真实签到数据集进行实验, 结果表明RT-CNN模型相比其他先进的兴趣点推荐模型提高了精确率和召回率, 具有更好的推荐性能.     

基于卷积神经网络的职位描述文本分类方法

针对现有基于机器学习的文本分类中由于数据噪点和特征不稀疏所导致学习精确度不高,深度不够等问题,本文提出了一种基于卷积升级网络的文本分类改进方法。首先利用一种新的TF-IDF统计法和Word2vec的skip-gram模型提取出描述文本的特征,然后通过卷积神经网络训练,得到更深层次的特征学习,最后使用softmax操作算出类别的概率分布,从而实现对职位描述文本的分类。实验结果表明,相比基于knn的传统分类方法,本文所设计的方法精确度更高。     

基于卷积神经网络算法的纺织品毛球评定研究

纺织品起毛起球等级难以做到精确评定,且主观因素会影响判定结果,为了实现纺织品起毛起球的人工智能评定,论文设计了一种基于卷积神经网络算法的纺织品毛球评定方法.建立了11层结构的CNN毛球评定模型,通过合理设计卷积层和池化层,实现了对纺织品毛球的有效智能评定.实验结果表明该评定模型综合准确率达到84.87％,具有客观性和实用性.     

基于注意力门控神经网络的社会化推荐算法

针对社会化推荐算法中存在的推荐准确率不高的问题,提出了一种多头注意力门控神经网络(MAGN)算法.具体来说,采用门控神经网络对输入的用户和用户-朋友对进行融合得到联合嵌入,利用注意力记忆网络来获取不同朋友在不同方面对用户的影响,利用多头注意力来获取在不同方面对用户影响程度偏高的几位朋友.采用门控神经网络将朋友影响和用户...     

结合用户长短期兴趣的深度强化学习推荐方法

结合强化学习(特别是深度强化学习)的推荐算法,在近年来相比已有方法取得了较大的提升.然而,现有绝大多数基于深度强化学习的推荐方法仅使用循环神经网络(RNN)等方法学习用户的短期兴趣,忽略了用户的长期兴趣,导致对用户的兴趣建模存在不足.因此,该文提出一种结合用户长期兴趣与短期兴趣的深度强化学习推荐方法(LSRL).首先,...     

面向推荐系统的图卷积网络

图卷积网络是一种针对图信号的深度学习模型,由于具有强大的特征表征能力得到了广泛应用.推荐系统可视为图信号的链接预测问题,因此近年来提出了使用图卷积网络解决推荐问题的方法.推荐系统中存在用户与商品间的异质顶点交互和用户(或商品)内部的同质顶点交互,然而,现有方法中的图卷积操作要么仅在异质顶点间进行,要么仅在同质顶点间进行,留下了提升此类推荐系统性能的空间.考虑到这一问题,提出了一种新的基于图卷积网络的推荐算法,使用两组图卷积操作同时利用两种不同的交互信息,其中异质顶点卷积用于挖掘交互图谱域中存在的连接信息,同质顶点卷积用于使相似顶点具有相近表示.实验结果表明,该算法比现有算法具有更优的精度.     

融合商品潜在互补性发现的个性化推荐方法

结合领域内知识的个性化推荐算法在近年来受到了广泛关注,许多研究工作尝试将商品之间的关系(如互补关系等)融入到推荐算法中.对于商家而言,了解商品互补的关系能够帮助他们更好地制定定价策略;对于推荐算法而言,结合商品关系的推荐也更有可能生成令人满意的结果,因此,如何挖掘商品间的互补关系是一个很有意义的研究问题.现有方法大多从用户历史中的"共同购买"发掘商品的互补关系,但是由于真实的购买场景非常复杂,得到的很可能仅仅是共现关系而不是互补关系.借鉴经济学的相关研究,提出了商品潜在互补性发现推荐模型(latent complementarity discovery model,简称LCDM),试图从另一角度更准确地刻画商品间关系.首先,基于经济学理论中的需求交叉弹性(cross-price elasticity of demand),提出互补性发现模型(complementarity discovery model,简称CDM)联合商品价格与购买历史来挖掘商品间的互补关系.在用户标注任务中,所提算法较已有方法在用户标注的一致性上提升了10.6%.随后,基于此提出了融合商品互补关系的双重注意力机制推...     

一种基于文本卷积神经网络的推荐算法

传统的矩阵因子分解模型不能有效提取用户和物品特征,而基于深度学习模型可以很好地提取特征信息。当前,主流的基于深度学习推荐算法只是单一地将神经网络的输出或物品特征与用户特征乘积的形式来做推荐预测,不能充分挖掘用户和物品之间的关系。基于此,本文提出一种基于文本卷积神经网络与带偏置项的奇异值分解(BiasSVD)结合的推荐算法,利用文本卷积神经网络(TextCNN)来充分提取用户和物品的特征信息,然后用奇异值分解方法来做推荐,深层次理解文档上下文信息,进一步提高推荐的准确性。将该算法在MovieLens的2个真实数据集上做广泛的评估分析,推荐的准确度要明显优于ConvMF算法及主流深度学习推荐算法。     

ConvFNN:一种基于深度学习的个性化推荐算法

最近这几年,随着深度学习快速发展,在图像处理、自然语言处理等领域有了很多应用,而在推荐系统领域,深度学习的应用还不是很常见,并且现在传统的推荐算法也遇到了一些瓶颈,由于现在的评分数据非常稀疏,传统的矩阵分解模型,在一些评分预测领域效果不是很理想。本论文为了解决这些问题,提出一种基于深度学习的个性化推荐算法,考虑利用深度学习来解决评分预测不准的问题。     

一种基于个性化成对损失加权的新颖推荐

推荐系统的目的是为了基于用户喜爱,为用户提供最高匹配度的潜在项目.但如果用户和项目提供者喜欢单一的热门项目,那么用户不能发现新颖性项目,会给用户和项目的提供商双方造成巨大损失.现有的新颖推荐工作主要集中在对由精度为基础的基础模型生成的前N个列表进行重新排序.结果,这些框架是两阶段的,并且结果基本上限于基础模型.另外,在...     

面向用户偏好建模的个性化对话推荐算法

推荐系统的目标是从物品数据库中，选择出与用户兴趣偏好相匹配的子集，缓解用户面临的“信息过载”问题。因而近年来推荐系统越来越多地应用到电商、社交等领域，展现出巨大的商业潜力。传统推荐系统中，系统对用户的认知往往来源于历史交互记录，例如点击率或者购买记录，这是一种隐式用户反馈。对话推荐系统能够通过自然语言与用户进行多轮对话，逐步深入挖掘其兴趣偏好，从而向对方提供高质量的推荐结果。相比于传统推荐系统，对话推荐系统主要有两方面的不同。其一，对话推荐系统能够利用自然语言与用户进行语义上连贯的多轮对话，提升了人机交互中的用户体验；其二，系统能够询问特定的问题直接获取用户的显式反馈，从而更深入地理解用户兴趣偏好，提供更可靠的推荐结果。目前已经有不少工作在不同的问题设定下对该领域进行了探索，然而尽管如此，这些工作仍仅局限于关注当前正在进行的对话，忽视了过去交互记录中蕴涵的丰富信息，导致对用户偏好建模的不充分。为了解决这个问题，本文提出了一个面向用户偏好建模的个性化对话推荐算法框架，通过双线性模型注意力机制与自注意力层次化编码结构进行用户偏好建模，从而完成对候选物品的排序与推荐。本文设计的模型结构能够在充分利用用户历史对话信息的同时，权衡历史对话与当前对话两类数据的重要性。丰富的用户相关信息来源使得推荐结果在契合用户个性化偏好的同时，更具备多样性，从而缓解“信息茧房”等现象带来的不良影响。基于公开数据集的实验表明了本文方法在个性化对话推荐任务上的有效性。     

用于大规模图像识别的特深卷积网络

卷积网络深度对大规模图像识别的准确性有不可忽视的影响.使用具有非常小(3×3)卷积滤波器的架构,我们对深度不断增长的网络进行了全面评估.通过将深度推到16–19重量层可以实现对现有技术配置的显着改进.通过比对其他卷积滤波器架构的卷积网络,我们验证了我们提出的网络对大规模图像识别的改进效果.同时为了避免训练数据集内在的偏...