隐式反馈场景下基于Pairwise排序学习的因子分解机算法

针对隐式反馈场景下的推荐问题以及如何融入用户物品的上下文信息来进行推荐,提出了一种结合Pairwise排序学习与因子分解机的隐式反馈推荐模型。首先借鉴排序学习中Pairwise的方法解决隐式反馈负反馈缺失的问题,然后选择因子分解机作为排序函数来建模用户的上下文信息,从优化物品排序的角度出发建模用户偏好,进而针对不同用户进行个性化推荐。最终实验也表明,所提出模型在排序指标MAP和NDCG上都要优于其他3种对比算法,在解决隐式反馈下推荐问题的同时,可以利用用户的上下文信息进一步提高推荐的准确度。

基于认知体系的自适应行为建模方法

预见性自适应行为的自主管理过程和自主目标实现,是目前人工智能领域的一个重要研究方向。基于SOAR认知体系框架设计了一种预见性自适应行为模型,将SOAR认知体系中的问题解决机制和学习机制应用到模型设计中,根据任务要求在特定的问题空间中设计合适的操作符,利用操作符实现状态的转移,达到预期目标状态;并在移动机器人的行为规划中实现了该模型,应用表明在实际环境中移动机器人可以自主进行行为选择,完成任务,取得了良好的仿真效果。