一种基于混合模型的用户兴趣漂移方法

针对个性化服务的系统中,如何将新发现的用户兴趣和原有兴趣合并为用户的新兴趣的问题,提出了一种基于概念相关性的用户兴趣漂移方法。采用混合模型,将用户兴趣分为长期兴趣和短期兴趣,对短期兴趣采用滑动窗口处理更新,对长期兴趣采用基于概念相关的渐进遗忘方法,实验表明,该方法不仅能够较为准确地跟踪用户的兴趣变化,而且能够预测用户的兴趣,具有较好的效率。     

混合模型的用户兴趣漂移算法

针对个性化信息服务中的用户兴趣漂移问题,提出了一种新的正态分布密度曲线遗忘函数,该函数符合用户兴趣遗忘的规律.并且将用户模型定义为长期模型和短期模型相结合的混合模型,其中短期模型使用最近最久未使用的滑动窗口算法进行更新,长期模型采用正态渐进遗忘算法进行更新.实验表明,该方法能够较迅速地发现和准确地跟踪用户的兴趣变化,提高了个性化信息服务的效率.     

学习资源个性化检索系统中用户兴趣建模研究

该文在综合分析了现有个性化检索系统中用户兴趣模型表示方法以及建立与更新机制的优缺点的基础上,设计了一种基于分类知识库的,结合关键词与主题概念的用户兴趣表示方法。模型中将用户的兴趣分成短期兴趣和长期兴趣,并且对两种兴趣采用不同的建立与更新机制。通过不断的更新与优化模型,使模型能准确反映用户的兴趣特征。     

基于隐式反馈的用户兴趣漂移方法

针对现有用户兴趣模型在模型建立以及更新阶段漂移策略的缺陷,设计了一种改进的基于隐式反馈的用户兴趣漂移方法.将用户兴趣分为长期兴趣和短期兴趣,对短期兴趣采用滑动窗口处理更新,对长期兴趣采用最近最少使用淘汰算法,并将该模型与遗忘策略模型、滑动时间窗口模型做了精确率的对比实验,实验结果显示该模型的性能优于其它三个模型.     

用户兴趣相似性度量的关系预测算法

针对目前研究微博用户兴趣变化时,只考虑用户兴趣的易变性而忽略了用户兴趣持久性的问题,提出了基于用户兴趣相似性的用户关系预测算法。将用户兴趣分为短期兴趣和长期兴趣,用户的文本信息表征为短期兴趣,用户的标签表征为长期兴趣。根据长短期兴趣的特征,采用频率统计和多阶量化的方法度量用户兴趣度并更新用户兴趣状态。最后通过余弦相似性指标计算用户间的兴趣相似度来预测用户关系。实验结果表明,该算法能够准确描述用户兴趣,提高用户关系预测的准确性。     

基于Transformer与异质图神经网络的新闻推荐模型

新闻推荐方法大多假定用户浏览的新闻之间具有很强的时序依赖关系,但新闻具有更新的快速性及用户阅读的自由性等特点,使时序性建模中可能会引入噪音.为了解决此问题,文中提出基于Transformer与异质图神经网络的新闻推荐模型.采用Transformer从用户近期浏览的新闻中对用户的短期兴趣进行建模,通过异质图神经网络捕捉用户和新闻之间的高阶关系,建模用户长期兴趣和候选新闻的表示.同时,为了自适应调整短期兴趣和长期兴趣在用户建模时的重要性,设计用户长短期兴趣感知的点击预测机制.在真实数据集上的对比实验验证文中模型的有效性.     

基于树状向量空间模型的用户兴趣建模

提出了一种基于树状向量空间模型的用户兴趣建模和更新方法,以满足网络消费者个性化的服务需求.根据用户在注册信息中提供的兴趣喜好建立兴趣模型,利用用户的反馈自适应地调整主题特征值向量和阈值,更新用户模型.通过加入时间向量区别短期兴趣和长期兴趣,及时准确地反映用户兴趣变化,提高个性化服务性能.     

基于知识图偏好注意力网络的长短期推荐模型及其更新方法

目前,知识图谱推荐的研究主要集中在模型建立和训练上。然而在实际应用中,需要使用增量更新方法定期更新模型来适应新用户和老用户偏好的改变。针对大部分该类模型仅利用用户的长期兴趣表示做推荐,而没有考虑用户的短期兴趣且聚合邻域实体得到项目向量表示时聚合方式的可解释性不足,以及更新模型的过程中存在灾难性遗忘的问题,提出基于知识图偏好注意力网络的长短期推荐（KGPATLS）模型及其更新方法。首先,通过KGPATLS模型提出偏好注意力网络的聚合方式以及结合用户长期兴趣和短期兴趣的用户表示方法;然后,为了缓解更新模型存在的灾难性遗忘问题,提出融合预测采样和知识蒸馏的增量更新方法（FPSKD）。将提出的KGPATLS模型和FPSKD方法在MovieLens-1M和Last.FM两个数据集上进行实验。相较于最优基线模型知识图谱卷积网络（KGCN）,KGPATLS模型的曲线下面积（AUC）指标在两个数据集上分别有2.2%和1.4%的提升,准确率（Acc）指标分别有2.5%和2.9%的提升。在两个数据集上对比FPSKD与三个基线增量更新方法Fine Tune、Random Sampling、Full Batch,FPSKD在AUC和Acc指标上优于Fine Tune、Random Sampling,在训练时间指标上FPSKD分别降低到Full Batch的大约1/8和1/4。实验结果验证了KGPATLS模型的性能,而FPSKD在保持模型性能的同时可以高效地更新模型。     

个性化搜索引擎中用户兴趣模型的构建方法

在分析个性化搜索引擎的基础上,提出一种构建用户兴趣模型的方法.该方法综合考虑用户注册兴趣及浏览行为,将用户兴趣分为长期兴趣和短期兴趣并通过兴趣树进行存储.遗忘机制的引入保证模型能够及时准确地反映用户兴趣.模拟实验表明,本文提出的用户兴趣模型能够有效地提高检索效率,使搜索结果更好地满足用户个性化需求.     

个性化图像检索中用户兴趣模型的构建方法

针对个性化图像检索的语义鸿沟问题,提出了一种新的用户兴趣模型的构建方法。将用户兴趣模型分为长期兴趣和短期兴趣：用户的短期兴趣由图像的低层特征映射得到;用户的长期兴趣经过推理机推理,将短期兴趣映射为高层语义得到,从而弥补语义鸿沟。实验结果表明,经过用户兴趣模型过滤的图像检索结果符合用户的个性化要求,相比已有方法在查准率和查全率上取得了明显的改善。     

基于用户长短期兴趣与知识图卷积网络的推荐

基于知识图谱的推荐可以提高推荐的精确性、多样性和可解释性.结合知识图谱与用户长短期兴趣提出了基于用户长短期兴趣与知识图卷积网络的推荐模型(LSKGCN).在知识图谱推荐算法的基础上提出了将用户长期兴趣偏好与短期兴趣偏好结合的用户表示方法.根据时间筛选近期历史项目并通过知识图卷积网络得到历史项目的向量表示,通过注意力机制...     

Optimal Monetary Policy and Long-term Interest Rate Dynamics: Taylor Rule Extensions

Many proposals are made to extend Taylor rule by including in the optimal reaction function other variables than those originally introduced by Taylor (Discretion versus policy rules in practice, Carnegie-Rochester Conference Series on Public Policy, 1993). The empirical studies point out the importance of long-term interest rates to explain and to forecast the behaviour of the monetary policy control variable. In particular, the positive shocks on long-term interest rates seem to induce a restrictive monetary policy and this finding is explained through the hypothesis that these shocks include the rational expectations on the future inflation rate. McCallum (Federal Reserve of Richmond Economic Quarterly 91(4), 1–21, 2005) assumes a positive relation between long-term and short-term interest rates to explain the inconsistency of US data with the expectations theory of the interest rate term structure. In this paper a new theoretical model is developed and analysed where the model of Clarida et al. (Journal of Economic Literature, 37(4), 1661–1707, 1999) is extended in the above outline of the term structure rational expectations hypothesis and also the dynamics of the nominal long-term interest rate as well as the dynamics of real exchange rate are involved. The optimal reaction function is provided by the algorithm described in Dennis (Journal of Economic Dynamics & Control, 28, 1635–1660, 2005) and the empirical impulse response function is obtained by estimating a VAR model. In spite of the empirical finding, the results obtained from the proposed theoretical model show that the optimal response to a positive shock in long-term interest rate is a reduction in the short-term and an economic rationale of this finding is suggested.     

Perceptual Long-Term Variable-Rate Sinusoidal Modeling of Speech

In this paper, the problem of modeling the time-trajectory of the sinusoidal components of voiced speech signals is addressed. A new global approach is presented: a single so-called long-term (LT) model, based on discrete cosine functions, is used to model the overall trajectories of amplitude and phase parameters, for each entire voiced section of speech, differing from usual (short-term) models defined on a frame-by-frame basis. The complete analysis-modeling-synthesis process is presented, including an iterative algorithm for optimal fitting between LT model and measures. A major issue of this paper concerns the use of perceptual criteria in the LT model fitting process (both for amplitude and phase modeling). The adaptation of perceptual criteria usually defined in the short-term and/or stationary cases to the long-term processing is proposed. Experiments dealing with the ten first harmonics of voiced signals show that the proposed approach provides an efficient variable-rate representation of voiced speech signals. Promising results are given in terms of modeling accuracy, synthesis quality, and data compression. The interest of the presented approach for speech coding and speech watermarking is discussed     

基于XGBOOST-DNN的中期电力负荷预测

精准的负荷预测是电力工作者重要的工作之一,而负荷预测以预测周期的不同,一般可以划分为短期电力负荷预测与中长期电力负荷预测.其中中长期电力负荷预测相较短期电力负荷预测而言,该领域缺乏大量前沿工作者的探索.因此本文提出一种可应用于中期电力负荷预测领域且基于XGBoost-DNN的算法.该算法将树模型和深度神经网络相结合,并将短期电力负荷预测引入到了中期电力负荷预测的工作中,基于树模型自身特点,将数据特征加工成高阶的交叉特征,同时结合原有数据利用深度神经网络可学习到丰富的特征信息.这里是以2017全球能源预测竞赛的数据进行算法分析,其中实验表明,在中期电力负荷预测领域,该方法提出的XGBoost-DNN模型相较于DNN,LSTM而言,其具备更加精准的准确性.     

基于记忆效应的协同过滤推荐算法

针对传统协同过滤算法无法及时反映用户兴趣变化的情况,将人脑的记忆和遗忘特性引入到个性化推荐中,提出基于记忆效应的协同过滤推荐算法。利用短时记忆体现用户近期兴趣变化,应用长时记忆强调用户早期兴趣的重要性,给出将短时记忆和长时记忆相结合的调和记忆,使推荐系统可以自适应地跟踪用户兴趣变化。实验结果表明,与CF算法、SCF算法和AUICF算法相比,该算法的推荐精度更高、收敛速度更快。     

基于移动代理的动态路由算法的研究

文章在分析了当今几种路由算法的不足和研究了移动代理优越性的基础上,提出了一种基于移动代理的动态路由协议算法的设计方案．该算法用移动代理去发现网络的短期状态,并用服务代理保存网络的长期运行状况．该文还用JAVA和IBM公司的Aglets移动代理开发平台构造了一个简单网络模型,对此算法进行了验证,证明了它的有效性．     

基于遗传算法和BP神经网络的城区中长期电力负荷预测与分析

由于产业结构的调整、居民消费能力消费结构的变化和市场化等因素的影响,城区中长期电力负荷预测具有相当的难度。建立一个基于遗传算法和BP算法相结合的神经网络预测模型,以南昌市为例做实证,并与传统BP神经网络和模拟退火预测结果做对比,验证了该模型的准确性。最后对城区未来十几年的基本用电负荷进行了预测和分析。     

An angle-based interest model for text recommendation

Building an interest model is the key to realize personalized text recommendation. Previous interest models neglect the fact that a user may have multiple angles of interest. Different angles of interest provide different requests and criteria for text recommendation. This paper proposes an interest model that consists of two kinds of angles: persistence and pattern, which can be combined to form complex angles. The model uses a new method to represent the long-term interest and the short-term interest, and distinguishes the interest in object and the interest in the link structure of objects. Experiments with news-scale text data show that the interest in object and the interest in link structure have real requirements, and it is effective to recommend texts according to the angles.