基于增强注意力的耦合协同过滤推荐方法

提出了一种增强注意力的耦合协同过滤推荐模型EACoupledCF(enhancedattention-basedcoupled collaborative filtering)。首先,通过构建融合空间注意力的卷积神经网络(spatial attention-based convolutional neural network,SACNN)捕获用户和商品在属性信息上的显式耦合关系;然后,提出了基于层级注意力的深度神经网络HADNN(hierarchicalattention-baseddeepneuralnetwork)用于学习用户和商品在交互信息上的隐式耦合关系;最后,EACoupledCF通过整合用户与商品的显式和隐式耦合关系,构建联合学习模型,从而实现更为精准的推荐。通过在2个真实数据集MovieLens-1M和Tafeng上进行对比实验,结果表明,提出的EACoupledCF模型比现有主流推荐算法具有更好的性能。

基于深度学习的微生物高阶逻辑关系分析方法

微生物群体是所有生物体和生态系统保持健康稳定的核心组分,分析生态系统中微生物的互作用,挖掘微生物群落共现模块,可以加深对微生物群落的认知,提高利用和改造微生物群落的能力,为生态修复、疾病治疗和药物研发提供新的手段。传统的微生物交互关系研究是以“成对关系”为基础的,然而,越来越多的研究发现高阶交互关系对于解释群落的多样性、复杂性具有重要作用。本文提出了一种基于深度学习的超图聚类模型(DeepHC),用来挖掘微生物之间的高阶逻辑关系。DeepHC利用信息熵挖掘微生物间普遍存在的高阶逻辑关系,通过深度神经网络获取样本的低维非线性表示,通过基于最大模块度的K均值聚类来自适应地执行聚类分析。实验结果表明,相对于其他模型,DeepHC具有更好的聚类效果,可以作为高阶逻辑关系挖掘的有效工具。