个性化新闻推荐方法研究综述

个性化新闻推荐是帮助用户获取其感兴趣的新闻信息和缓解信息过载的重要技术。近年来,随着信息技术和社会发展,个性化新闻推荐得到了日益广泛的研究,并在改善用户的新闻阅读体验方面取得了显著成功。对基于深度学习的个性化新闻推荐方法进行了系统性综述。首先,分类介绍了个性化新闻推荐方法并分析各自特点及影响因素;然后,给出了个性化新闻推荐的总体框架,并对基于深度学习的个性化新闻推荐方法进行了分析总结;在此基础上,重点综述了基于图结构学习的个性化新闻推荐方法,包括基于用户-新闻交互图、知识图谱和社交关系图的新闻推荐;最后,分析了当前个性化新闻推荐所面临的挑战,探讨了如何解决个性化新闻推荐系统中数据稀疏性、模型可解释性、推荐结果多样性和新闻隐私保护等问题,并在未来研究方向中展望了更具体可操作的研究思路和方法。

融合图卷积注意力机制的协同过滤推荐方法

图卷积神经网络(graph convolutional neural network,GCN)因其强大的建模能力引起了广泛关注,在商品推荐中,现有的图卷积协同过滤技术忽略了邻居节点在传播聚合过程中的重要性,使得用户和商品的嵌入向量表达不够合理。为了解决这一问题,本文提出一种融合图卷积注意力机制的协同过滤推荐模型。首先通过图嵌入技术将用户-项目的交互信息映射到低维稠密的向量空间;其次通过堆叠多层的图卷积网络学习用户与项目间的高阶交互信息;同时融合注意力机制为邻居节点自适应地分配权重,不仅可以捕获更具代表性的邻居影响,还使得在聚合邻居节点的特征信息时,仅依赖于节点之间的特征表达,使其独立于图结构,提高了模型的泛化能力;最后设计了分层聚合函数,将图卷积层学习到的多个嵌入向量加权聚合,使用内积函数得到用户-项目之间的关联分数。在3个真实数据上进行的泛化实验,实验结果验证了该方法的有效性。

融合社交关系的轻量级图卷积协同过滤推荐方法

图卷积网络(graph convolution network,GCN)因其强大的建模能力得到了迅速发展,目前大部分研究工作直接继承了GCN的复杂设计(如特征变换,非线性激活等),缺乏简化工作。另外,数据稀疏性和隐式负反馈没有被充分利用,也是当前推荐算法的局限。为了应对以上问题,提出了一种融合社交关系的轻量级图卷积协同过滤推荐模型。模型摒弃了GCN中特征变换和非线性激活的设计;利用社交关系从隐式负反馈中产生一系列的中间反馈,提高了隐式负反馈的利用率;最后,通过双层注意力机制分别突出了邻居节点的贡献值和每一层图卷积层学习向量的重要性。在2个公开的数据集上进行实验,结果表明所提模型的推荐效果优于当前的图卷积协同过滤算法。

兴趣点推荐方法研究综述

兴趣点(Point-Of-Interest,POI)推荐是基于位置的社交网络(Location-Based Social Networks,LBSN)中一项重要的服务,无论对商家还是对客户都有重要的影响,并且兴趣点数据作为时空数据的典型更是得到了广泛关注,因此兴趣点推荐近年来已经成为学术界的热门研究课题。文章分析了兴趣点推荐的影响因素,对传统兴趣点推荐方法进行了总结,分析了最新的基于图嵌入方法以及图神经网络在兴趣点推荐领域中的应用,最后对兴趣点推荐所面临的挑战以及未来的研究趋势加以分析。

HLMGAN:分层学习的多奖励文本生成对抗网络

文本生成是自然语言处理的一项重要任务.针对生成的文本大多缺乏多样性,且当生成文本过长时,文本生成的质量会有明显下降的问题,提出了一种采用Sentences and Words(SW)奖励机制的传递向量文本生成对抗网络.首先,为生成器提出了层次结构设计,包括传递特征向量训练模块和生成向量训练模块,同时传递判别模型中真实文本特征向量给生成器的传递特征向量训练模块,由此来提高长文本生成的准确率,生成向量训练模块接收其生成词序列;然后,在训练过程中,使用关系存储核心代替传统的长短期记忆循环神经网络模型作为生成器,提高了模型的表达能力和捕获信息的能力;最后,采用SW奖励机制提高文本生成的多样性.实验结果表明,分层学习的多奖励文本生成对抗网络(Generation Adversarial Network Based on Hierarchical Learning with Multi-reward Text,HLMGAN)模型在合成数据负对数似然度和双语互译质量评估辅助工具指标中均有所提升.

浅析双轮煨制伴热管道施工技术

分析了伴热管道在石油化工装置运行中的重要作用及施工特点,结合工程实例论述了现场双轮煨制伴热管道的施工方法及注意事项,该方法具有施工简单、质量可靠、操作方便灵活、成本较低等诸多优点,为今后同类工程的施工提供了一定的借鉴。