基于深度距离分解的推荐算法研究

针对推荐系统中的矩阵分解算法只根据用户和物品的特征向量进行点积运算,无法准确衡量不同用户对物品偏好的弊端,该文提出了一种基于深度距离分解模型的推荐算法。首先,改变传统矩阵分解直接对评分值进行分解的模式,将用户与物品的评分矩阵转化为距离矩阵;然后,将距离矩阵分别按行和按列输入两个深度神经网络进行训练,得到用户和物品的距离特征向量;接下来,用距离特征向量计算用户和物品之间的距离值,通过设计的损失函数使预测距离值与真实距离值的误差达到最小;最后,将用户与物品的预测距离值转化为预测评分。实验结果表明,在不同数据集中,该文提出的基于深度距离分解模型的推荐算法在RMSE和MAE指标上均优于基线推荐算法。     

HRS-DC：基于深度学习的混合推荐模型

针对传统的矩阵分解算法,仅利用评分信息作为推荐依据,当评分数据稀疏时,不能准确获取隐式反馈,影响推荐的准确性,充分利用辅助信息进行隐式特征的提取成为研究热点之一,提出一种基于深度学习的推荐模型HRS-DC,利用深度神经网络和卷积神经网络从辅助信息中分别提取出用户和项目的隐性特征向量,再将特征向量经过改进的神经协同过滤得出新的评分矩阵。通过在三个真实的数据集上进行验证,与概率矩阵分解（PMF）、协同过滤主题回归（CTR）、协同过滤深度学习（CDL）、卷积矩阵分解ConvMF算法相比提高了评分预测的准确性,也在一定程度上缓解了冷启动问题。     

因子分解机算法在基于深度数据包检测的手机应用推荐中的应用

为了从网络数据包中抽取相关特征进行手机应用推荐,使用江苏电信运营商在互联网服务提供商(ISP)机房抽取的网络深度数据包数据,从中抽取运营商所关心的热点手机用户的App访问信息,然后使用基于矩阵分解(包括奇异值分解(SVD)和非负矩阵分解(NMF))的推荐算法、奇异值分解推荐算法以及因子分解机推荐算法进行手机App推荐。实验表明,因子分解机算法取得了较好的推荐效果。这说明因子分解机在手机应用推荐的场景中可以更好地描述用户和物品之间的隐含关联。     

DCFM：基于深度学习的混合推荐模型

传统推荐算法大多都仅考虑用户-商品评级信息来进行推荐,这种忽略了用户属性和商品属性信息的推荐模型准确率不高。因子分解机可在数据稀疏情况下挖掘用户与商品的关联关系,交叉网络可挖掘属性特征与其高阶特征的线性组合关系,以及深度神经网络有效识别高阶非线性关联关系,基于三种模型的优势,提出了一种基于深度学习的混合推荐模型（Deep and Cross Factorization Machine,DCFM）。三部分并联组合,共享输入层,各部分结果线性组合后作为模型整体输出。通过在MovieLens电影数据集上仿真实验,并与因子分解机（FM）、深度因子分解机（DeepFM）、深度交叉网络（DCN）模型做比较,结果证明该模型在准确率、F1-Score和AUC值上均得到了提高和改善。     

融合社交信息的矩阵分解改进推荐算法

矩阵分解的推荐模型具有推荐精度高和易扩展等特点,已成为目前融合社交信息构建推荐系统的主要模型,但在分解过程中,用户偏好矩阵和物品特征矩阵初始赋值的随机性影响了推荐的性能,忽略了物品以及用户之间隐含的联系与区别。为此,提出一种基于社交信息的矩阵分解改进算法。将评分值分别与社交信息和物品的特征属性相结合,构建用户相似网络与物品相似网络,同时应用社区划分充分挖掘用户、物品之间的潜在关系,并按不同类型节点的近邻差异性,通过建立核心、非核心节点的偏好向量与特征向量得到矩阵分解初始矩阵。在公开数据集上的实验结果表明,该算法的推荐性能优于MF、SR2等同类型算法,运行迭代次数明显降低。     

融合偏置深度学习的距离分解Top-N推荐算法

针对传统矩阵分解算法大多是浅层的线性模型,难以学习到深层次的用户和物品的隐特征向量,且在数据稀疏的情况下容易产生过拟合的问题,文中提出一种融合偏置深度学习的矩阵分解算法,在解决数据稀疏问题的同时,还能学习到表征能力更强的距离特征向量。首先,通过用户与物品的显式和隐式数据构建用户与物品的交互矩阵,并将交互矩阵转化为相应的距离矩阵;其次,将距离矩阵分别按行和按列输入加入偏置层的深度神经网络,学习得到具有非线性特征的用户和物品的距离特征向量;最后,根据用户和物品的距离特征向量计算用户和物品之间的距离,用距离值对物品按升序排列,生成Top-N的推荐列表。在4个真实数据集上进行实验,采用Precision, Recall, MAP,MRR和NDCG指标进行评估,结果表明所提算法在上述指标方面相比其他主流推荐算法有明显提升。     

拟合矩阵与两阶融合迭代加速推荐算法

传统的矩阵分解模型无法充分探索用户与物品在均值、偏置和特征之间的内在联系,提出拟合矩阵模型,通过构建用户与物品矩阵分别代表用户与物品特性来提高预测性能。矩阵分解模型在推荐系统领域有精度优势,但求解模型参数最常用的梯度下降法收敛速度缓慢,因此考虑与拟牛顿法融合,加快收敛速度。提出的算法命名为拟合矩阵与两阶融合迭代加速推荐算法（fitting matrix and two orders fusion iterative,FAST）,实验表明,FAST算法比传统的非负矩阵分解（NMF）、奇异值矩阵分解（SVD）、正则化奇异值矩阵分解（RSVD）在平均绝对误差（MAE）与均方根误差（RMSE）上有下降,在迭代效率上有显著提高,缓解了精度与迭代效率难以平衡的问题。     

基于半自动编码器的协同过滤推荐算法

为高效利用推荐系统中用户和物品的交互历史和辅助信息,提出一种改进的协同过滤推荐算法。利用半自动编码器对用户和物品的辅助信息进行特征提取,将提取出的特征映射到矩阵分解模型中,通过反向传播算法实现半自动编码器与矩阵分解模型的联合更新以提升推荐效果。在MovieLens-100K和Book-Crossing公开数据集上的实验结果表明,与融合偏置的奇异值分解、概率矩阵分解等传统推荐算法相比,该算法具有更低的均方根误差和更好的推荐性能。     

基于ranking的深度张量分解群组推荐算法

针对当前群组推荐研究中,对于用户偏好建模时大多忽略了群组偏好与个人偏好之间的相互影响以及建模初始化问题,提出了一种基于ranking的混合深度张量分解群组推荐算法（R-HDTF）。该算法首先利用基于深度降噪自动编码器的混合神经网络对群组、个人和项目等信息进行初始化;然后提出基于成对张量分解模型来捕获群组、个人和项目之间的相关关系;最后,采用BPR标准优化张量分解的损失函数,学习提出算法的参数。在真实数据集上的实验结果表明,该算法性能优于传统的主流群组推荐算法。     

基于通道注意力的神经协同过滤推荐算法

现有的协同过滤推荐算法使用表示学习方法和匹配函数学习的方法来匹配用户喜欢的物品,但这不能充分表达用户对不同物品的真实偏好,且这些模型并不能有效捕获用户和物品交互时嵌入维度之间的相关性。为此,该文提出基于通道注意力的神经协同过滤模型NCFCA(Neural Collaborative Filtering based on Channel Attention)。首先,在网络中通过注意力机制对不同的物品分配不同的权重,来影响用户对物品的偏好程度;其次,模型利用卷积神经网络来提升用户和物品的关联性,并在卷积神经网络中加入通道注意力机制来挖掘丰富的语义信息;最后,利用广义矩阵分解方法来缓解因用户物品交互产生的数据稀疏问题并且将三个不同的模块(A-MLP、E-CNN、GMF)融合在一起。在MovieLens 1M和Lastfm数据集上的大量实验表明,NCFCA模型的准确率有不同程度的提高,表现出较为优越的推荐性能。     

基于多特征融合卷积神经网络的显著性检测

随着深度学习技术的发展以及卷积神经网络在众多计算机视觉任务中的突出表现,基于卷积神经网络的深度显著性检测方法成为显著性检测领域的主流方法.但是,卷积神经网络受卷积核尺寸的限制,在网络底层只能在较小范围内提取特征,不能很好地检测区域内不显著但全局显著的对象;其次,卷积神经网络通过堆叠卷积层的方式可获得图像的全局信息,但在...     

基于多维特征交叉的深度协同过滤算法

基于深度学习的推荐算法最初以用户和物品的ID信息作为输入,但是ID无法很好地表现用户与物品的特征。在原始数据中,用户对物品的评分数据在一定程度上能表现出用户和物品的特征,但是未考虑用户的评分偏好以及物品的热门程度。在评分任务中使用隐式反馈和ID信息作为用户与物品的特征,在消除用户主观性对特征造成的噪声的同时在一定程度上缓解冷启动问题,利用单层神经网络对原始高维稀疏特征降维,使用特征交叉得到用户与物品的低阶交互,再利用神经网络捕获用户与物品的高阶交互,有效提取了特征间的高低阶交互。在四个公开数据集上的实验表明,该算法能有效提高推荐精度。     

基于深度学习网络模型的端到端航迹关联

为提高雷达数据处理中航迹关联的智能性,充分利用目标的特征信息,并简化系统处理流程,提出了一种基于深度学习网络模型的端到端航迹关联算法。首先分析了基于神经网络的航迹关联存在样本细节少、处理流程繁杂的问题,然后提出了端到端的深度学习模型。该模型根据航迹关联数据的处理特征,改进了卷积神经网络结构用于特征提取,充分利用了长短期记忆网络对历史信息和将来信息的处理能力,并分析了前后航迹的关联性。在对原始数据进行卡尔曼滤波后,将全部航迹信息特征作为输入,并由基于卷积神经网络特征提取的长短期记忆深度神经网络模型直接输出航迹关联结果。仿真结果表明,提出的模型可以充分学习推演目标的多个特征信息,具有较高的航迹关联准确率,对航迹关联的智能化分析具有一定的参考价值。     

一种融合信任和项目卷积描述信息的PMF算法

针对现有概率矩阵分解(PMF)技术的个性化推荐系统在采用社交网络中信任信息时常常忽视项目相关描述文档信息的问题,提出一种融合用户信任和通过卷积网络以获取项目描述等信息的PMF模型.首先,利用用户偏好信息和行为轨迹信息构建一种新的信任网络;然后,通过卷积神经网络从项目描述文档中提取项目潜在的特征向量;最后,在概率矩阵分解过程中同时利用评分数据、信任网络中用户的信任信息和项目的描述信息,计算用户和项目的潜在特征向量以预测评分并进行个性化推荐.为验证算法的有效性,选择3种算法在4个数据集上进行对比,实验结果表明所提出的算法在推荐精确度和鲁棒性方面优于其他3种算法.     

基于全卷积神经网络的单幅隧道图像裂纹提取算法

提出一种基于全卷积神经网络的单幅隧道图像裂纹提取算法,能够有效避免复杂背景下的伪裂纹噪声点干扰,实现对隧道裂纹的精确分割。首先,构建深度残差网络模型提取裂纹特征;其次,使用改进的全卷积神经网络中的反卷积操作恢复裂纹特征图的尺寸和裂纹细节;为了提升裂缝提取的精细程度,提出一个细节修复模块来保持裂缝的完整性与边缘细节;最后,公开一个裂纹数据集NUAACrack-2000,包含2 000幅隧道裂纹图像与精准标注标签。实验表明,提出的算法在避免噪声点干扰方面优于传统图像分割算法;在保留提取裂纹的整体性以及边缘细节处理方面优于基于机器学习的主流裂纹提取算法。     

融合上下文信息的深度推荐模型

目前,在基于文档信息的推荐任务中,传统基于文档的混合推荐算法仍依赖于浅层的线性模型,当评分数据变得庞大且复杂时,其推荐性能往往不太理想。针对此问题,提出一种深度融合模型(DeepFM),该模型能够在完全捕获文本信息的同时也能很好地处理复杂且稀疏的评分数据。DeepFM由两个并行的神经网络组成,其中一路神经网络使用多层感知器提取评分矩阵的行向量信息从而获得用户的潜在特征向量,另一路则使用MLP和卷积神经网络(CNN)共同建模从而提取额外有关项目的文本信息得到项目潜在特征向量。最后,通过构建融合层将用户特征向量和项目特征向量进行融合得出预测评分。实验结果表明,DeepFM在MovieLens数据集和亚马逊数据集上的性能优于主流的推荐模型。     

基于混合采样的图对比学习推荐算法

在推荐系统领域中,图卷积网络具有对于图结构数据更强的信息抽取能力。然而,现有的图卷积网络推荐算法主要关注改进模型结构,忽视了提高原始样本采样质量与挖掘用户—项目间隐式关系的重要性。针对上述问题,提出一种基于混合采样的图对比学习推荐算法。首先使用混合采样方法,提取出正样本中部分信息并将其注入负样本,从而生成全新的富含信息的难负样本;其次,通过轻量图卷积网络对难负样本进行特征提取,得到用户和项目的节点表征,采用邻域对比学习方法挖掘样本隐式关系;最后,利用多任务策略对推荐监督任务和对比学习任务进行联合优化。在真实数据集Yelp2018和Amazon-book上进行实验,采用recall和NDCG指标进行评估,实验结果表明,提出的模型相较其他基准模型取得了更好的效果。     

基于多支路残差深度网络的跨视角步态识别方法

针对基于卷积神经网络的步态识别模型不能充分利用局部细粒度信息的问题,提出基于多支路残差深度网络的跨视角步态识别方法.将多支路网络引入卷积神经网络中,分别提取步态轮廓序列图中不同粒度的特征,并利用残差学习和多尺度特征融合技术,增强网络的特征学习能力.在公开步态数据集CASIA-B和OU-MVLP上的实验证实文中方法的识别...     

基于改进带偏置概率矩阵分解算法的研究

针对个性化推荐过程中高维稀疏性问题,本文提出一种将奇异值分解技术和带偏置概率矩阵分解相结合的推荐方法。 首先利用SVD算法初始化用户项目潜在因子向量,避免因随机赋值而使得函数陷入局部最优解,接着将用户项目的偏置信息融入到概率矩阵分解算法中,同时为了提升训练速度和推荐精度,通过动量加速的迷你批量梯度下降（mini Batch Gradient Descent,miniBGD）来训练,最后利用分解后的两个低维矩阵对原矩阵中的未知评分进行预测,在三个公开数据集的实验结果表明,本文提出的算法相对于传统的算法能够有效的提高推荐精度,进一步缓解由数据高维稀疏性带来的推荐质量不高的问题。