融合注意力机制和评论文本特征的推荐算法

为区分基于评论文本推荐算法中不同评论文本数据对不同用户或物品的差异,提出一种融合注意力机制和评论文本特征的推荐算法(RAAM)。在卷积神经网络中加入三级注意力机制,分别从单词级别、语句级别和评论级别为不同用户或物品区分评论数据的重要性,引入共同注意力网络模拟用户与物品之间的交互,获取更多用户和物品的交互信息,提高推荐效果。在Amazon的5个数据集上的对比实验结果验证了算法的有效性。

动态多阶段强波动型表情识别模型

考虑到问卷调查顾客的满意度评价时存在样本获取困难、主观误差等问题,利用表情识别技术分析视频中顾客的情感表达,但实际应用存在人物表情变化波动过大的强波动型表情识别问题。为更好地挖掘强波动型表情变化的信息,提出一种动态多阶段强波动型表情识别模型(LNsCo),该模型包括长期情绪波动状态生成器(LEF)、近短期表情特征生成器(NsSE)、平行共同注意力网络(co-attention network)。将图像序列预处理后,分别送到LEF和NsSE提取表情的隐藏特征,利用共同注意网络生成二者相互依赖的表征,用分类器进行表情分类。在公共数据集和真实应用场景下的结果表明,所述方法具有良好的性能。