基于标签卷积神经网络的文本推荐算法

在面向用户的文章收集系统中,用户会将自己喜欢的文章收集起来构成自己的偏好文章集合,理解用户为何喜欢特定文章、如何精确的找到用户喜欢的文章目前成为了一个重要的研究课题.本文通过基于面向用户的文章收集系统中的一些相关信息,比如文本信息、标签等,来辅助推荐系统更好的进行文章的推荐.文中提出了基于标签卷积神经网络的文本推荐算法,结合神经网络和协同过滤算法的同时,将标签加入到神经网络的设计中.通过在真实的citeulike数据集进行的实验和验证,使用本文的模型可以有效的提高对用户偏好文章预测的准确性.     

基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法.将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测.实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性.     

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...     

结合自编码器和卷积神经网络的推荐系统

传统推荐系统以评分作为推荐依据,没有分析与利用用户的评论内容,导致推荐系统存在推荐准确性低和数据稀疏性的问题.针对这种情况,结合降噪自编码器和卷积神经网络提出一种推荐系统.通过卷积神经网络学习评论内容在方面级的情感和观点,基于降噪自编码器对方面级的观点集合进行归纳和分组,以三阶张量分解技术为基础,推断出用户对项目的综合...     

基于神经网络的个性化学习资源推荐系统的研究与设计

随着社会的快速发展,科技不断进步。目前,以学习对象为主体的在线学习环境越来越普遍。面对互联网上海量的学习资源,传统的推荐系统不能为学习对象提供精准、有效的服务项目。基于此,将深度神经网络技术与资源推荐系统相结合,提出了基于深度神经网络的个性化学习资源推荐系统的设计思路,为学习者提供个性化的学习策略。     

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。     

改进矩阵分解与卷积神经网络结合的推荐模型

针对推荐系统评分数据稀疏和评价信息爆增等问题进行模型研究和改进。在传统矩阵分解模型基础上加入了用户和项目的影响因子，提高预测模型的泛化能力；建立跨通道卷积神经网络对用户评价信息进行识别，将改进的矩阵分解模型与改进卷积神经网络进行结合，提出一种改进矩阵分解与跨通道卷积神经网络结合的推荐模型，提高预测模型的准确度。实验结果表明，该模型预测性能相对于PMF、CTR和CDL在三个数据集上的最优性能分别提升2.96%、10.27%和1.77%，相对于MF&CNN性能分别提升0.29%、2.98%和0.08%；当数据密度从20%增至80%时，模型预测性能会进一步提升。     

基于注意力机制交互卷积神经网络的推荐方法

为了捕捉在线购物时用户与商品之间的动态交互关系,提高推荐系统(RS)的准确度,提出了结合用户倾向性和商品吸引力的用户评价预测方法。首先,将评论分为用户评论文本和商品评论文本,分别输入两个交互卷积神经网络(CNN),并结合注意力机制,动态捕捉文本中的语义信息和上下文信息,得到用户和商品的自适应特征;然后,利用交互注意力网络,分析商品特征和用户特征的动态交互关系,计算出用户对特定商品的倾向性和商品对特定用户的吸引力;最后,通过预测模块提供用户对商品的准确评价预测。在数据集上进行实验,结果表明,所提方法取得了最优性能,比其他方法的MAE和RMSE性能分别至少提升了15.1%和13.6%。此外,基于Top-K的统计指标进一步验证了所提方法的商品推荐精准度。     

基于多任务学习的图神经网络推荐模型研究

图神经网络处理非欧氏空间数据的强大能力促使越来越多的研究将其应用于推荐领域。然而,现有的基于图神经网络的推荐模型大多数仍然采用多个邻接矩阵来表示多种节点或边属性等异质信息,没有充分利用异质信息之间的交互。因此,提出一种新型的图神经网络推荐模型,把所有信息实体之间的丰富交互建模成异质图,并在异质图上使用稠密子图采样策略进行子图采样;此外,模型还加入多任务学习方法用于共同优化链接预测与推荐任务,使得模型学习到更好的节点表示,以提升推荐效果。2个公开数据集上的实验结果表明,所提模型相比基线模型,在Top-N推荐任务性能上有所提高。     

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。     

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。     

一种基于增强图卷积神经网络的协同推荐模型

图卷积神经网络是一种针对图结构数据的深度学习模型,由于具有强大的特征提取和表示学习能力,它也成为当前推荐系统研究的热门方法.以推荐系统中的评分预测为研究对象,通过分析指出了现有的基于图卷积神经网络的推荐模型存在2个方面的不足：图卷积层仅仅利用了1阶协同信号和未考虑用户观点的差异.为此,提出一种端到端的、基于增强图卷积神经网络的协同推荐模型.它采用一种增强的图卷积层,不仅聚合了2阶协同信号而且融合用户观点的影响,从而更合理地利用协同信号学习实体节点的嵌入表示,并通过堆叠多个图卷积层对其进行精化;最后,采用了非线性的多层感知机实现评分预测.基于5种推荐数据集上的实验结果表明：新模型的预测误差相比于几种主流的推荐模型具有明显的降低.     

基于k近邻的多尺度超球卷积神经网络学习

以卷积神经网络（CNN）为代表的深度学习模型主要面向图像、语音等均匀采样的同质欧氏空间数据,通常不适用于大量存在于工业等领域的异质、非均匀稀疏采样的结构化数据。针对异质、非均匀稀疏采样结构化数据集的预测任务,提出一种基于k近邻（kNN）算法和CNN的超球卷积神经网络学习模型。通过kNN预处理建立各样本在高维属性空间中的结构关系,将样本邻域内各样本的标记作为其属性重构样本集合,实现数据属性集从异质到同质的转化,进而通过合理设计CNN的卷积窗,有效提取和利用各样本的邻域空间中样本的标记分布特征,完成对未知样本的预测。在不同邻域尺度、软硬标记以及混淆非混淆等条件下进行实验,结果表明,该模型预测准确率达到98.04%,其准确率和召回率较FC-CNN、CNN、kNN和Radar-CNN算法分别提升0.28%~1.66%和4.78%~31.92%。     

基于迁移学习的卷积神经网络服装图像分类

针对服装图像分类过程中图像数量过少、需大量人工标注和效率低等问题,提出一种基于迁移学习的卷积神经网络服装图像分类方法。该方法通过卷积神经网络直接从原始像素中自动学习图像的有效表征,有效减少人工标注的成本,同时,微调预训练好的网络模型参数,二次训练数据。实验表明,图像分类取得了较好的分类结果,平均分类准确度达到90%以上。     

基于卷积神经网络与集成学习的交通标志识别

为提高复杂情况（如遮挡、透视畸变等）下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。     

基于改进卷积神经网络与集成学习的人脸识别算法

针对复杂卷积神经网络(CNN)在中小型人脸数据库中的识别结果容易出现过拟合现象,提出一种基于改进CNN网络与集成学习的人脸识别算法。改进CNN网络结合平面网络和残差网络的特点,采用平均池化层代替全连接层,使得网络结构简单且可移植性强。在改进CNN网络的基础上,利用基于投票法的集成学习策略将所有个体学习器结果凸组合为最终结果,实现更准确的人脸识别。实验结果表明,该算法在Color FERET、AR和ORL人脸数据库上的识别准确率分别达到98.89%、99.67%和100%,并且具有较快的收敛速度。     

基于Android和卷积神经网络的鸟类识别系统

随着深度学习的广泛应用和智能移动设备的普及,将深度学习的应用迁移到移动设备上已经成为一种新的趋势.本文设计了一种基于安卓平台和轻量级卷积神经网络的鸟类识别系统,该系统不依赖任何外部的计算资源和存储资源.本文提出以轻量级卷积神经网络作为基础模型的三种模型融合方法,分别是加权平均融合、双线型融合和多图片单模型融合.本文详细介绍了三种融合方式的结构和优缺点,并且给出了模型选择和超参数选择的一些方法.实验结果表明模型融合的方式相比单模型而言,识别精度有显著提高,可以更好的应用到安卓移动设备上.