融合循环知识图谱和协同过滤电影推荐算法

推荐系统对筛选有效信息和提高信息获取效率具有重大的意义。传统的推荐系统会面临数据稀松和冷启动等问题。利用外部评分和物品内涵知识相结合,提出一种基于循环知识图谱和协同过滤的电影推荐模型——RKGE-CF。在充分考虑物品、用户、评分之间的相关性后,利用基于物品和用户的协同过滤进行Top-K推荐;将物品的外部附加数据和用户偏好数据加入知识图谱,提取实体相互之间的依赖关系,构建用户和物品之间的交互信息,以便揭示实体与关系之间的语义,帮助理解用户兴趣;将多种推荐结果按不同方法融合进行对比;模型训练时使用多组不同的负样本作为对比,以优化模型;最后利用真实电影数Movielens和IMDB映射连接成新数据集进行测试。实验结果证明该模型对于推荐效果的准确率有显著的提升,同时能更好地解释推荐背后的原因。

融合知识图谱与协同过滤的推荐模型

针对现有协同过滤推荐算法可解释性不高和基于内容推荐信息提取困难、推荐效率低等问题,提出一种融合知识图谱和协同过滤的混合推荐模型,其由知识图谱与深度学习结合模型RCKD和知识图谱与协同过滤结合模型RCKC构成。RCKD模型在获取知识图谱的推理路径后,利用TransE算法将路径嵌入为向量,并使用LSTM和soft attention机制捕获路径推理的语义,通过池化操作区分不同路径推理的重要性,经全连接层和sigmoid函数获得预测评分。RCKC模型根据知识图谱表示学习的语义相似性,利用协同过滤算法获得预测评分。按预测评分的准确度将两个模型相互融合,最终获得可解释的混合推荐模型。在MovieLens数据集上的实验结果表明,与RKGE、RippleN模型和经典协同过滤算法相比,该模型具有较好的推荐可解释性和较高的推荐准确率。

基于增强注意力机制的神经协同过滤

推荐系统是解决信息过载问题的核心。现有的推荐框架研究面临着显式反馈数据稀疏和数据预处理难等问题,特别是对新用户和新项目进行推荐的性能有待进一步提高。随着深度学习的推进,基于深度学习的推荐成为了当前的研究热点,大量的实验证明了深度学习运用于推荐系统的有效性。文中在NCF的基础上提出了EANCF(Neural Collaborative Filtering based on Enhanced-Attention Mechanism),从隐式反馈数据的角度研究了推荐框架,利用最大池化、局部推理以及组合多种不同数据融合方式来考虑数据特征提取;同时,引入注意力机制来为网络合理地分配权重值,减少信息的损失,提升推荐的性能。最后,基于两个大型真实数据集Movielens-1m和Pinterest-20对EANCF、NCF和部分经典算法做了对比实验,并且详细地给出了EANCF框架的训练过程。实验结果表明,EANCF框架确实具有较好的推荐性能,相比于NCF框架在HR@10和NDCG@10上均有显著提升,HR@10最高提升了3.53%,NDCG@10最高提升了2.47%。

融合领域知识的API推荐模型

应用程序接口(Application Programming Interfaces,API)在现代软件开发中起着重要的作用,开发人员经常需要为他们的编程任务搜索合适的API。但是随着信息产业的发展,API参考文档变得越发庞大,传统的搜索方式会因为互联网上的冗余和错误信息给工程师的查询带来不便。与此同时,由于编程任务的自然语言描述与API文档中的描述之间存在词汇和知识上的差距,很难找到合适的API。基于这些问题,提出一种融合领域知识的API推荐算法ARDSQ(Recommendation base on Documentation and Solved Question)。ARDSQ能够根据工程师对某个功能的自然语言描述去知识库里检索到最为贴近的API。实验表明,与两种先进的API推荐算法(BIKER,DeepAPILearning)比较,ARDSQ在推荐系统关键评价指数(Hit-n,MRR,MAP)上都有较大的优势。

融合多视图注意力机制的城市交通流量补全

交通流量信息是智能交通系统和城市计算的重要基础。交通流量数据作为新型时序数据,由于数据的采集方式和外部复杂因素的影响,使得数据缺失现象是常见且无法避免的。如何有效地挖掘交通流量数据的时空特性和数据间的关联成为了提高缺失数据补全精度的关键。传统的统计学方法不能满足日益增长的数据需求,深度学习的应用推动了缺失数据的补全方法向更高的精确度发展。文中深入分析了交通流量的时间特性和空间分布,对交通流量的缺失情况进行了假设,提出了一种UMAtNet(U-net with Multi-View Attention Mechanisms)交通流量补全模型。该模型将短期的、趋势的、周期的时间数据与空间数据融合,同时采用不同的数据相关性测量方法,融合了一种多视图注意力机制,能够优化模型对缺失部分数据空间相关性的影响。为了验证模型的有效性,文中使用北京交通轨迹开源数据集进行实验,并在实验中详细地分析了模型各部分和损失函数对补全精度的影响,实验结果表明,UMAtNet和相应组件融合能进一步提高补全精度。

混合人工化学反应优化和狼群算法的特征选择

包装器特征选择是一种数据预处理方法,通过筛选出信息量最大的特征来降低原始数据集的维数,同时使分类特征的精度最大化。为提高包装器特征选择能力,提出了一种混合人工化学反应狼群优化算法——ACR-WCA。ACR-WCA算法采用自然策略,模仿狼群的搜索策略,可以快速向解空间靠拢,再采用人工化学反应策略优化狼群的种群行为,快速找到最优解,解决局部最优问题;其次,为有效处理数据特征,在初始化阶段利用转换函数处理成二进制特征问题;之后,结合分类准确率和特征选择数给出算法的适应度函数。同时,采用k最近邻(KNN)分类器对测试数据进行训练,并通过K-折交叉验证来克服过拟合问题。实验基于21个著名的不同维度数据集训练,并与4种传统方法和3种接近方法进行比较。实验结果表明,该算法是高效可靠的,它可以对大量特征进行分类任务,具有较高的准确率。