知识图谱的双注意力机制推荐方法

为解决知识图谱推荐方法中存在的忽略用户个人信息,或将用户和项目采用相同注意力机制,致使用户和项目的潜在语义表达不充分的问题,提出了一种知识增强的双注意力机制推荐方法。采用交叉压缩融合单元获取用户个人信息和交互历史的潜在特征,以增强用户特征表示;使用不同注意力机制关注用户和项目的重要邻居,以增强知识图谱中的结构信息和语义信息表示。为了验证方法的有效性,在MovieLens-1M、MovieLens-20M、Book-Crossing和Last. FM这4个数据集上进行实验,并与RippletNet、KGAT、CKAN等6种方法进行对比分析。结果表明,本文方法与RippletNet、KGCN、LKGR等方法相比,受试者工作特征曲线下面积(area under the receiver operator characteristic curve,AUC)性能平均提升了5.34%。

基于表示学习的实体对齐方法综述

实体对齐是目前知识融合阶段的主要工作之一,基于表示学习的方法是实体对齐的主要研究方向。首先,通过全面地研究当前代表性的实体对齐技术,总结出这些技术的特征及架构,并提出了一个捕捉这些技术关键特征的框架;然后根据这些技术使用的知识表示模型将其分成2类:基于Trans的技术和基于GNN的技术;给出了2个当前广泛使用的数据集,搭建了11个有代表性的基于TransE的模型和基于GNN的模型,并在DBP15K上的3个跨语言数据集上进行对比实验;评测主流模型和添加属性或字面等不同侧面信息后的模型的对齐效果,为未来大规模单模态乃至多模态知识图谱实体对齐研究提供参考。

DeepLabv3plus-IRCNet:小目标特征提取的图像语义分割

目的为了解决经典卷积神经网络无法满足图像中极小目标特征提取的准确性需求问题,本文基于Deep Labv3plus算法,在下采样过程中引入特征图切分模块,提出了Deep Labv3plus-IRCNet(IR为倒置残差(inverted residual,C为特征图切分(feature map cut))图像语义分割方法,支撑图像极小目标的特征提取。方法采用由普通卷积层和多个使用深度可分离卷积的倒置残差模块串联组成的深度卷积神经网络提取特征,当特征图分辨率降低到输入图像的1/16时,引入特征图切分模块,将各个切分特征图分别放大,通过参数共享的方式提取特征。然后,将每个输出的特征图进行对应位置拼接,与解码阶段放大到相同尺寸的特征图进行融合,提高模型对小目标物体特征的提取能力。结果本文方法引入特征图切分模块,提高了模型对小目标物体的关注,充分考虑了图像上下文信息,对多个尺度下的各个中间层特征进行融合,提高了图像分割精度。为验证方法的有效性,使用Cam Vid(Cambridge-driving labeled video database)数据集对提出的方法进行验证,平均交并比(mean intersection over union,m Io U)相对于Deep Labv3plus模型有所提升。验证结果表明了本文方法的有效性。结论本文方法充分考虑了图像分割中小目标物体的关注度,提出的Deep Labv3plus-IRCNet模型提升了图像分割精度。

浅谈如何帮助厌学的学生

厌学一般指厌学情绪,如果不加以有效引导和控制,就会发展为厌学症,患有厌学症的学生往往学习目的不明确,对学习失去兴趣;不认真听课,不完成作业,怕考试;甚至恨书、恨老师、恨学校。