推荐系统中稀疏情景预测的特征-类别交互因子分解机

随着Web信息的不断增长与发展,对用户稀疏行为的预测已成为目前推荐系统的研究热点.近年来,因子分解机(factorization machine, FM)的提出在一定程度上缓解了稀疏场景下预测精度不准确的问题.它的主要思想是通过2阶特征交互来获取特征间丰富的语义关系.随后,感知交互因子分解机(interaction-aware factorization machines, IFM)在FM的特征交互基础上引入类别交互的概念来扩展潜在的交互特性,通过把特征和类别分别进行交互后再融合来得到更准确的预测结果.在IFM的基础上,提出了一种特征-类别交互因子分解机(FIFM)模型.FIFM不仅保留了特征交互和类别交互机制,还设计了一种新的特征-类别交互机制(FIM)来进一步挖掘交互信息中的有效信息,并利用融合交互感知来预测不同稀疏场景下的用户行为模式.此外,还基于深度学习提出了一种实现FIFM的神经网络模型GFIM.相比于FIFM,GFIM的参数量和时间复杂度更高,但同时也能捕获更多高阶的非线性特征交互信息,能适合算力较高的应用场景.在4个真实数据集上的实验结果表明,FIFM和GFIM在RMSE指标上超越了当前最好的方法IFM.实验工作探究了多类稀疏场景下的预测结果,记录了时间和空间复杂度的消耗情况,并进行了分析讨论.

5-边形块图不能作为有限可解群的特征标素因子图

Lewis证明了5-边形不能成为有限可解群的特征标素因子图.本文定义了5-边形块图,并证明了该类图也不能成为有限可解群的特征标素因子图,推广了Lewis的结果.

基于稀疏表示权重张量的音频特征提取算法

为了更好地描述非平稳音频信号的特征,提出了一种基于Gabor字典和稀疏表示权重张量的时-频音频特征提取方法。该方法基于Gabor字典将音频信号编码为稀疏的权重向量,并进一步将权重向量中的元素重新排列为张量形式,该张量各阶分别刻画了信号的时间、频率以及时长特性,为信号的联合时-频-长表示。通过对该张量进行因子分解,将分解后得到的频率因子和时长因子拼接为音频特征。针对稀疏张量分解时容易产生过拟合的问题,提出一种自调整惩罚参数分解算法并进行了改进。实验结果显示,所提出的特征相对于传统梅尔倒谱系数(MFCC)特征、MFCC特征及匹配追踪算法(MP)求解的特征联合拼接得到的MFCC+MP特征和非均匀尺度-频率图特征对15类音效分类效果分别提升了28.0%、19.8%和6.7%。

关于极大π-可分解因子的次正规对

对π-可分群的π-可分解因子的次正规对做进一步地探讨,证明了自同构群在极大π-可分解因子的次正规对集合上有作用。作为该作用的一个直接结果,得到π-可分群的极大π-可分解因子的次正规对是共轭的。特别地,给出了极大π-可分解因子的次正规对的Frattini论断。

关于π-正则类函数空间的基的研究

定义了π-可分群的主不可分解Bπ'-特征标,推广了群的主不可分解特征标的概念,得到了特征标π-理论的一些重要性质。文中的结果推广了一些著名的定理,例如,将Isaacs证明的主不可分解特征标为p-正则类函数空间的一组基的结论推广到主不可分解Bπ'-特征标为G的π-正则类函数空间的一组基,等。

“河-湖”沉积物重金属环境特征及来源解析

以府河及其受纳湖泊为研究对象,辨识"河-湖"系统沉积物中重金属的空间分布、地球化学特征和生态风险,利用正定矩阵因子分解模型(PMF)解析沉积物中重金属的潜在来源.结果表明,该"河-湖"系统沉积物中主要金属污染物为Cd、Cu和Zn,且Cd存在生态风险.与受纳湖体相比,府河污染水平及风险程度更高.湖体空间分析显示,河流入口呈现更高的金属含量及风险水平.PMF分析表明,研究区沉积物重金属主要受到人为活动的影响(55.7%),包括工业排放(20.3%)、化肥施用(19.5%)和水产养殖(15.9%).

基于极深因子分解机的化工过程故障诊断方法

近年来,随着化学工艺、设备的复杂化和大型化程度不断深入,如何为化工企业及时、准确地诊断故障、排除事故,成为一个极具挑战性的问题。目前,以深度学习为代表的化工过程故障检测与诊断技术成为业界解决问题的主要思路之一,但现有深度方法在构建诊断模型时只关注了变量的非线性高阶特征,不能充分、全面地挖掘多源交互信息,难以有效地融合各类异构数据。基于此,提出一种基于极深因子分解机的化工过程故障诊断方法,通过并行融合三类不同网络模型(分解机模型、深度神经网络模型、压缩交互网络模型),实现对高阶、低阶及线性特征的自动提取和高效整合。为了评估模型性能,从单故障诊断和多故障混合诊断的角度出发,在田纳西-伊斯曼过程(TE)仿真数据集上进行了广泛的对比实验,结果表明,所提方法较以往故障诊断方法在精确率和召回率等指标上具有明显优势。