结合自我特征和对比学习的推荐模型

针对图神经网络推荐中图卷积在消息传递过程的嵌入表示过平滑和噪声问题,提出一种结合自我特征和对比学习的推荐模型(SfCLRec)。采用预训练-正式训练架构训练模型,首先预训练用户和项目的嵌入表示,通过融合节点自我特征维持节点本身的特征唯一性,并引入层级对比学习任务减少来自高阶邻居节点中的噪声;其次,在正式训练阶段根据评分机制重新构建协同图邻接矩阵;最后,根据最终嵌入得到预测评分。实验结果表明,相较于LightGCN、SimGCL(Simple Graph Contrastive Learning)等现有图神经网络推荐模型,SfCLRec在3个公开数据集ML-latest-small、Last.FM和Yelp中均取得了较好的召回率和归一化折损累计增益(NDCG),验证了SfCLRec的有效性。

基于层级过滤器和时间卷积增强自注意力网络的序列推荐

针对实际推荐场景中用户意外交互产生的噪声问题,以及自注意力机制中注意力分布分散导致用户短期需求偏移难以捕获的问题,提出一种基于层级过滤器和时间卷积增强自注意力网络的序列推荐(FTARec)模型。首先,通过层级过滤器过滤原始数据中的噪声;其次,结合时间卷积增强自注意力网络和解耦混合位置编码获取用户嵌入,该过程通过时间卷积增强补充自注意力网络在项目短期依赖建模上的不足;最后,结合对比学习改善用户嵌入,并根据最终用户嵌入进行预测。相较于自注意力序列推荐(SASRec)、过滤增强的多层感知器序列推荐方法(FMLPRec)等现有序列推荐模型,FTARec在3个公开数据集Beauty、Clothing和Sports上取得了更高的命中率(HR)和归一化折损累计增益(NDCG),相较于次优的DuoRec,HR@10分别提高了7.91%、13.27%和12.84%,NDCG@10分别提高了5.52%、8.33%和9.88%,验证了所提模型的有效性。

递归型数据中心网络上g-额外连通度及容错单播算法研究

数据中心网络的研究是近几年兴起的热点。与传统的树型数据中心网络相比,递归型数据中心网络具有更好的容错性和可扩展性。部署于n-口交换机上的k-维递归型完全图网络可以表示为Xk,n,σ表示图中任意顶点与同维度其他子图相连接的边数。在实际情况中,网络的额外连通度相较于传统的连通度能够更准确地衡量一个网络的容错性。证明当k≥3,n≥3,σ∈{1,n-1}且0≤g≤2时,Xk,n的g-额外连通度为(g+1)(kσ-1)+n,这一结果接近于其连通度的g+1倍。进一步,提出基于该情形下的容错单播算法,并证明了该算法的时间复杂度和在最坏情况下Xk,n中任意两点间构造出路径长度的上界。通过模拟仿真实验,验证了该算法在执行效率上优于广度优先和深度优先搜索算法,且算法具有较好的容错性。

基于知识图谱的个性化音乐推荐系统设计与实现

本文基于知识图谱技术设计了个性化音乐推荐系统。该系统由用户端、管理端、服务端以及数据库组成。用户完成注册并登录系统后,可以通过输入关键词等方式检索对应的歌曲和歌单,并将其添加收藏,管理员可查看并编辑用户信息。当用户再次登录该系统时,系统会根据之前用户的操作行为向用户精准推送个性化的歌曲和歌单,并在网站主页上显示。从测试情况来看,该系统的音乐推荐、歌曲搜索、歌曲收藏等基本功能可以实现,系统各项操作的平均响应时间均在1 s以内,使用体验较好。

基于模糊偏好标签向量的推荐算法

传统的协同过滤算法存在因评分预测误差导致的准确性不足,以及需要缓存大量相似性结果导致的算法可扩展性受限等缺点。为此提出了一种基于物品标签向量下的用户模糊偏好相似性度量方法,该方法使用模糊逻辑度量了不同用户对不同物品内容标签喜欢、不喜欢的程度,将用户间的相似性表示为物品内容标签上的一个向量。随后依据该向量与预测目标物品内容标签之间的关系,设计了相应的相似性计算和评分预测公式。在两个常用数据集上的实验结果表明,相较于其他算法该文在体现评分预测准确性指标平均绝对误差上提升了12.38%;在体现偏好预测准确性的F1值上提升了7.85%;在体现排序准确性的半衰期效用指标上提升了17.47%。同时,该文提出的算法减少了各指标的最优预测时需要的邻居数,缩短了算法运行时间,有效提升了可扩展性。

基于模糊神经网络的舰船雷达图像弱小目标检测

舰船雷达图像信息的维度较高,导致弱小目标的关键特征难以被精准提取,降低了弱小目标检测的可靠性,因此提出一种基于模糊神经网络的舰船雷达图像弱小目标检测方法。该方法对舰船雷达图像进行背景校正,利用图像灰度值加性模型从图像中提取弱小目标。最后将提取的弱小目标输入到模糊神经网络中,输出的结果即为舰船雷达图像弱小目标检测结果。通过实验证明,在不同高斯噪声环境中,该方法能够准确地检测出雷达图像中的弱小目标,并具有较快的检测速度。

基于机器学习算法的在线推荐系统设计与性能优化研究

传统运营方式已经难以应对日益复杂的业务场景。特别是电商领域,采用个性化推荐系统对于改善用户体验、促进商品销售、提高广告点击率具有重要意义。文章以电商场景为例,设计了基于机器学习算法的在线推荐系统,并对该系统进行了性能优化。

跨节点RDF关联路径检索技术研究与实现

【目的】跨节点关联路径检索是实现大规模分布式场景下科学数据关联发现的重要手段,如何突破多节点多跳查询的效率和准确性是一个关键技术难题,相关解决方案和技术具有重要而广泛的应用前景。【方法】本文提出了以RDF类关系为驱动的跨节点关联路径检索技术,该技术以分布式节点RDF类关联关系构建为基础,将跨节点数据实体关联检索映射为RDF类关联检索,进而以RDF类关联关系为基础,指导SPARQL联邦查询语句的动态封装,实现关联数据跨节点检索。【结果】通过测试验证,本文技术方案能有效提升跨节点RDF关联路径检索的效率和质量,可以支持多数据源节点,任意关联方向,多跳的动态查询。【结论】基于RDF类关系驱动的跨节点关联路径检索技术,为解决分布式环境下的数据联合查询提供了一种高效且准确的解决方案,有望在复杂网络环境及大数据应用场景中发挥重要作用。

融合注意力机制的自编码器推荐算法

为充分获取用户的个性化信息,提高推荐算法的准确性,提出了一种融合注意力机制的自编码器推荐算法。所提算法首先针对数据中蕴含的低阶特征和高阶特征,专门设计了相应的特征提取模块,增强传统编码器的泛化能力和记忆能力,然后利用注意力机制对特征进行融合,得到关于用户偏好信息的向量表示,并通过解码器预测用户对物品的购买意愿,最终实现个性化推荐任务。在ML-100K,ML-1M和Yahoo Music三个数据集上进行实验,并与主流个性化推荐算法进行对比,本文算法在Precision,Recall,F1值和归一化折损累计增益(NDCG)四个指标上均有较大的提升。在互联网推荐场景下,本文算法能够充分挖掘出用户的偏好信息,为用户提供高质量的推荐结果即给出合理的物品购买决策建议,从而最大化满足用户需求。

基于知识图谱的中药材新闻推荐方法研究

中药材新闻推荐是典型的垂直领域新闻推荐问题。为了有效运用领域知识,本文提出一种基于知识图谱的中药材新闻推荐方法。首先,从中药典籍中抽取实体和关系,构建中药材知识图谱;其次,从新闻标题中匹配实体,结合词嵌入和实体嵌入,通过基于注意力机制的知识感知卷积神经网络得到新闻嵌入表示;再次,基于用户历史点击新闻及侧面信息,运用基于知识图谱和注意力网络的中药材新闻推荐模型,生成Top-K推荐列表。在2个真实数据集上的实验表明,本文方法的HR@10指标(0.750、0.788)和MAP@10指标(0.468、0.471)均优于基线方法。本文将知识图谱引入中药材新闻推荐,提升了推荐质量,且具有一定的可解释性。

基于主题概率分布模型的个性化信息推荐系统研究

【目的】传统基于相似度计算的个性化信息推荐系统因算力要求过高、推荐时滞过长等问题,致使其无法在中小型新闻图情领域得到广泛的普及。为了帮助中小型新闻图情机构以较低的成本开展个性化信息的精准推荐服务,构建了一套基于主题概率分布模型的个性化信息推荐系统。【方法】通过数据采集技术实现原始数据语料的采集;通过LDA模型训练实现原始文本信息的分类;通过将用户信息代入LDA模型训练获取用户主题画像;将用户主题画像与文本信息分类相结合实现个性化信息推荐。【结果】经试验验证,该系统推荐时效强,可达毫秒级。通过与用户阅读记录进行比较,该系统的推荐结果均符合用户兴趣主题,具有较高的推荐精准度。【结论】该基于主题概率分布模型的个性化信息推荐系统,能够帮助中小型新闻图情机构以较低的成本开展个性化信息精准推荐服务,具有一定的应用价值。

融合局部最优划分长短期兴趣的序列推荐

序列推荐中划分用户的长期和短期兴趣非常重要。现有的序列推荐模型多简单预设短期兴趣长度,但性能提升不明显。为了更好地建模用户长短期兴趣,本文提出了一种融合局部最优划分长短期兴趣的序列推荐模型,采用了一种局部最优短期兴趣长度算法,自动和自适应搜索最优短期兴趣长度,并设计了MLP层分别对长短期兴趣建模。在三个数据集上进行实验,结果表明运用该模型能够取得与最先进模型具有竞争力的性能。

智能推荐系统在高校选课中的应用

在信息化时代,个性化教育对当今社会至关重要。针对高校选课系统在当今人才培养过程中缺乏推荐等专家辅助系统。人工智能中的推荐系统可以通过传统的推荐算法综合评估得出推荐序列,实现高校选课推荐等个性化服务。基于此,提出了利用智能推荐系统中的协同过滤和内容推荐两种方式混合推荐,帮助实现个性化学习,向专业化培养目标靠近,为学习者提供智能化的辅助指导。同时,推动高校教育更好地进行个性化培养,加快推进人工智能与教育的深度融合和创新发展,促进人才培养模式和传统教育模式更好地向智能教育转变。

基于决策树的图书馆文献资源智能检索方法

当前图书馆文献资源类型存在差异,检索过程中排序效果差,提出一种基于决策树的图书馆文献资源智能检索方法。智能检索中需要图书馆文献资源库去除噪声,获取有效数据,使用Skip-gram模型进行文字类资源特征提取,利用卷积神经网络作为图像文献资源的特征提取工具,提取过程采用Dropout机制随机断开部分网络连接,利用决策树从无规则次序数据库中推理出分类规则,计算属性与图书馆文献类型之间相关性,完成智能检索。测试结果表明:所提方法在不同数据集下的资源排序质量均优于传统检索方法。

融合巴氏系数与综合相似度的改进加权Slope One算法

针对传统加权Slope One算法因过度依赖用户共同评分项导致在过稀疏数据集中预测准确度低的问题,提出一种融合巴氏系数与综合相似度的改进加权Slope One算法(BS-WSO)。首先,引入巴氏系数和用户行为偏好对用户相似度计算方法进行改进,依此筛选出待预测的近邻集合;其次,为了优化预测评分,利用巴氏系数和项目流行度计算项目相似度,并将其作为权重因子融入评分计算;最后,将BS-WSO与几种代表性算法进行比较,仿真实验结果表明,BS-WSO算法能有效克服数据过稀疏情况下预测准确度低的缺陷,提高推荐精确度。

面向逻辑神经推理的无偏推荐算法研究

在推荐过程中,逻辑神经推理展现了强有力的性能。然而,现有方法在推荐时会引入用户和项目的额外信息。本文提出了一种面向逻辑推理的无偏个性化推荐算法LNR-UR,该方法能够通过简单的逻辑运算构造推理过程以及通过判断逻辑空间中向量的相似性构造神经推理模型。在不增加额外信息的条件下,通过基于交叉成对排序的负反馈采样提取用户偏好以减小预测偏差。实验表明,与经典方法相比,所提算法具有更高的推荐精度。

基于“互联网+医疗+家庭”的慢性病全周期管理平台设计

随着医疗技术的不断进步,“互联网+”医疗发展已初具规模,老百姓慢病管理至今没有一个令人满意的解决方案或平台。文章从慢病管理、“互联网+”、大数据、人工智能等方面,提出一种以单一慢性病智慧医疗服务为切入点,满足患者多样化不同层次的慢性病管理平台的设计方案,并逐渐积累大量医疗数据形成医疗大数据中心,进而利用数据挖掘、机器学习、自然语言处理等人工智能技术提供决策支持。该平台为患者治疗方案的制定与选择、慢性病预警、辅助医学诊断等方面提供支撑。

协同过滤算法在微信推荐小程序的应用

为了使客户能够方便、快速从大量数据中获取有效信息,本文对微信小程序采用Mvc的开发模式,并以Node.js技术进行设计,其总体架构主要包括交互层、数据访问层、控制层和数据库层。采用基于用户的协同过滤推荐算法和基于特征的协同过滤推荐算法结合的方式进行商品的推荐。对于基于用户的算法,采用IG特征选择算法进行商品特征的选取,再采用改进的Pearson相关系数进行相似性计算,获取推荐商品。对于基于特征的算法,采用改进的余弦相似性进行用户相似度的计算,根据相似性用户推荐商品。将推荐商品按照比例结合,最终进行商品的推荐。为了验证该微信小程序的性能,对其进行微信推荐小程序运行测试和商品推荐测试。试验结果表明微信小程序的各移动端均可正常运行,各项功能可进行操作,且向用户推荐的有效信息符合设计要求。

基于主题爬虫的网络舆情系统设计与实现

网络舆情具有快速、广泛传播的特征,发酵扩散时间极短,若未及时发现并妥善处置,可能会引发网络舆情危机,造成严重的危害与影响。为净化网络环境,减少网络舆情爆发所产生的损失,文章以网络爬虫技术为基础,设计了基于主题爬虫的网络舆情监测管理系统。首先,文章阐述了此系统设计思路,分别介绍了系统架构设计、系统功能设计、系统安全设计3个方面内容。最后,文章依次给出了舆情采集、舆情监测、舆情分析、舆情预警、舆情处置5个主要功能的实现方法,旨在为相关部门科学监控与处置网络舆情提供可靠的软件系统。

基于区块链和IPFS的高校教学资源共享平台构建

针对目前高校教学资源共享中存在的资源激励机制欠缺、资源存储安全风险以及资源版权保护不足等问题,文章通过将星际文件系统(Inter-Planetary File System,IPFS)和区块链进行结合,实现链上索引、链下存储的教学资源存储模式。文章利用智能合约技术自动执行对教学资源版权的保护,构建了基于虚拟币的资源创作激励机制。在此基础上,文章提出了高校教学资源共享平台的总体分层架构和共享流程,并设计了平台的4大功能模块,为区块链技术在教学资源共享共建领域的应用提供了新思路。