基于对比学习的多兴趣感知序列推荐系统

序列推荐的近几年工作通过聚类历史交互物品或者利用图卷积神经网络获取交互的多层次关联信息来细化用户兴趣.然而,这些方法没有考虑具有相似行为模式的用户之间的相互影响以及交互序列中时间间隔不均匀对用户兴趣的影响.基于上述问题,提出一种基于对比学习的多兴趣感知序列推荐模型MIRec,一方面考虑了序列内部的物品依赖和位置依赖等局部偏好信息,另一方面通过图信息聚合机制获取相似用户之间的全局偏好信息;然后将融合局部偏好和全局偏好的用户表示输入胶囊网络中,学习用户交互序列中的多兴趣表示;最后通过对比学习使用户的历史交互序列靠近增强的交互序列,获得对时间间隔不敏感的用户多兴趣表示,为用户提供更准确的推荐.所提模型在2个真实数据集上进行了充分实验,实验结果验证了所提模型的有效性.

面向决策局部环境的群决策方法

对具体群决策问题,决策者之间和属性之间的某种联系分别由具体问题形成,由偏好关系表示的关系结构为决策局部环境:由变量分析矩阵、任意属性间的偏好相似性和任一组决策者对某一属性的偏好一致性构成的属性邻接矩阵和决策者邻接矩阵构成。对属性信息集结进行三次修正,由决策者局部重要性对属性一致性进行修正,以属性局部偏好一致性强度对属性权重进行调节,由决策者局部重要性权重修正最终评价结论。提出的方法可以在决策进程中聚焦影响一致性的相关属性,发掘可能冲突的属性及影响具体方案排序的主要属性,更有效提供解决群决策问题的建议和方案。

伪传递理性选择函数的展示偏好描述

研究了选择函数理性化的展示偏好描述 ,通过定义局部严格展示偏好 ,给出了伪传递理性选择函数的展示偏好描述公理 ,并证明了该公理是选择函数伪传递理性化的充要条件 。

多目标决策的程序与偏好选择行为

分析了多目标决策的基本要素 ,给出了多目标决策的程序 ,探讨了多目标非劣解的特征、求解方法与问题 ,分析了基于决策人多种偏好选择行为的多目标决策最优解的特征、求解方法和与非劣解的关系。

AQ分数与认知对局部加工偏好之间的关系:对发展中国家自闭症谱系障碍和广泛的自闭症表型筛查的潜在影响

本研究旨在确定自闭特征(AQ)分数与Navon任务中认知对整体和细节加工方式的偏好之间的关联。通过建立AQ评分与Navon任务中认知加工方式偏好之间的关系,Navon任务可以作为辅助的亚临床工具在一些发展中国家筛查自闭症广泛表型(BAP)和自闭症谱系障碍,以显著改善其ASD和BAP的漏诊状况。这项研究假设是,高AQ分数与 Navon 任务中认知对于细节加工方式的偏好呈正相关。结果表明,在Navon任务中,AQ分数与认知加工方式的偏好之间没有显著的关系,但结果也同时表明抽样参与者的认知加工更倾向于对细节的加工与处理。这一结果可能是由于参与者们的AQ分数平均值略高于 Baron-Cohenet 原版AQ 报告中对照组的平均值。在本次实验中有5.7%的参与者高于AQ的诊断标准,即得分为 32分以上。