推荐任务中知识图谱嵌入应用研究综述

推荐系统旨在为用户推荐个性化内容以提升用户体验,但目前仍面临着诸如可解释性差、冷启动问题和序列化推荐建模等挑战。近年来,蕴含大量结构化知识和语义信息的知识图谱(KG)被广泛应用于各种推荐任务中以期缓解上述问题。对不同推荐任务中知识图谱嵌入(KGE)的创新应用进行系统性综述。首先梳理出采用知识图谱嵌入的三类常见推荐任务以及知识图谱嵌入应用的四种目的;然后根据技术不同归纳总结出四类知识图谱嵌入方法,包括传统嵌入方法、嵌入传播方法、异质图嵌入方法和基于图神经网络的方法;进一步详细阐述了每类方法在不同推荐任务中的使用特点及应用策略,评价其优点和局限性等,并从多个方面对方法间的联系与区别进行定性和定量分析;最后,针对面向不同推荐任务中知识图谱嵌入应用的发展趋势提出一些看法,从多个角度展望了该领域未来值得关注的几个发展方向。

推荐任务及其解法

出生地推荐任务新手任务推荐尽量完成,由于任务流程简单,故本部分均为推荐的新手任务名称.说话之岛:新手战斗训练、猎取狼皮、寄送物品、领主公告、团结之剑的传说、

多任务推荐算法研究综述

单任务推荐算法存在数据稀疏、冷启动和推荐效果不稳定等问题。多任务推荐算法可以将多种类型的用户行为数据和额外信息进行联合建模,从而更好地挖掘用户的兴趣和需求,以提高推荐效果和用户满意度,为解决单任务推荐算法存在的一系列问题提供了新思路。首先,梳理了多任务推荐算法的发展背景与趋势。其次,介绍了多任务推荐算法的实现步骤以及构建原则,并阐述了多任务学习具有数据增强、特征识别、特征互补和正则化效应等优势。然后,对不同共享模式的多任务学习方法在推荐算法中的应用进行了介绍,并对部分经典模型的优缺点及任务之间的关系进行了归纳总结。接着,介绍了多任务推荐算法常用的数据集和评估指标,并阐述了与其他推荐算法在数据集合评估指标方面的区别和联系。最后,指出多任务学习存在负迁移、参数优化冲突、可解释性差等不足,对多任务推荐算法与强化学习、凸函数优化方法、异构信息网络相结合进行了展望。

基于动态偏好和竞争力的群智化任务推荐

近年来,群智化软件开发已被学术和工业广泛关注.与传统方法相比,群智化软件开发最大化利用全球开发者资源完成复杂的发展任务,有效降低开发成本并提高发展效率.考虑将推荐技术引入开发者和任务的匹配问题中,即向软件开发者推荐合适的软件开发任务.考虑从两方面解决该问题:一方面,开发人员的任务选择与兴趣偏好的变化有关,因此需要准确捕获.另一方面,软件开发任务与传统商品或其他内容相比具有专业特性,只有相应技能的人才能完成和竞争性质的平台更多,所以开发者也会考虑是否其在众多竞争对手中有较高的评分.因此,研究并完成以下工作:对开发者建模时考虑其动态偏好和竞争力并定义相关的参数指标.提出一个两阶段的群智化软件任务推荐模型:第1阶段使用基于注意力机制的长短期记忆神经网络预测开发者当前的动态偏好,并利用相似度从大量候选任务中筛选出符合偏好的Top-N任务;第2阶段利用开发者的竞争力,使用基于差分进化算法的极端梯度提升方法预测开发者在第1阶段任务上的评分,并按照评分高低向开发者推荐Top-K任务.为了验证其有效性,进行了一系列的实验与已有方法作对比.实验结果表明,所提出的模型在群智化软件任务推荐上有显著优势.

考虑众包工人时空行为偏好的top-k任务推荐模型

如何为面对繁多任务的工人推选出与之偏好密切相关的任务是当前时空众包领域的研究热点,针对已有任务推荐方法大多只关注工人与任务的静态信息匹配,却忽略了工人选择偏好的动态变化,本文提出了考虑众包工人时空行为偏好的top-k任务推荐模型.首先采用时空转移矩阵聚合工人与任务的历史映射信息,然后通过空间注意力机制来增强序列信息的表征能力,再将其纳入到时空循环网络中挖掘工人局部和全局性的移动偏好,进而预测工人的意图动向.最后构建worker-tasks亲和力相关度分数并形成概率个性化任务推荐池,评估工人与他们即将到达区域内任务之间的关联关系,帮助工人快速选择和定位所需任务.实验结果表明,本文所提方法相较于对比模型具有更好的任务推荐效果.

物联网移动群智感知任务协同排序推荐优化

为了提高移动群智感知(mobile crowd sensing,MCS)中的数据质量,设计了一种混合模型(hybrid model,HM)与列表级排序(list-wise ranking,LWR)相结合的推荐方法HM-LWR。研究结果表明:采用HM-LWR算法模型能够较精确地预测参与者的任务偏好情况,分配MCS任务时可以有效提升准确性与运算效率。得到最优参数指标:学习速率μ=0.01,正则化参数λ=0.01,迭代100次,相似度模型调控指标α=0.5。HM-LWR算法相较于MSC与LWR算法有明显提高,相较于高斯尺度混合(Gaussian scale mixtures,GSMs)算法则有小幅提升,达到了近96%的平均准确率。该研究有助于提高物联网移动群智感知能力,提高用户使用亲和度体验感。

基于协同排序学习算法的移动群智感知任务推荐

为了解决移动群智感知(mobile crowd sensing,MCS)中候选者积极性不高导致数据质量低的问题,根据列表级排序(list-wise ranking,LWR)学习机制设计了一种基于混合模型(hybrid model,HM)与列表级排序算法相结合的排序任务推荐方法 HM-LWR,并在MATLAB平台上测试各项参数变化。研究结果表明:候选者人数的增加引起运行时间明显延长,HM-LWR与MSC都呈现相近的较小增幅;HM-LWR算法在分配期间的候选者达到了最高的积极性,获得了近97%的参与率。由此得出HM-LWR算法能够达到更高分配准确性、缩短分配时间、提升整体处理效率,在智慧城市领域具有很好的推广价值。

基于知识图谱和图注意力的众包任务推荐算法

为解决目前众包任务推荐存在未考虑任务文本信息和数据稀疏的问题,提出一种基于知识图谱与图注意力的众包任务推荐模型。该模型首先利用自然语言处理技术提取任务文本信息中的关键要素,用于丰富图谱信息和缓解数据稀疏性;通过融合用户—任务交互图中的协同信息来构建协同知识图谱,在协同知识图谱中按协同邻居的类型分别运用图注意力网络;为获取用户准确的偏好,聚合邻居信息时按注意力得分从高到低采样固定数目的邻居;最后通过聚合不同类型的协同信息生成用户和任务的嵌入表示并得到交互概率。在构建的众包数据集上进行实验的结果表明,该模型在AUC、精准率、召回率和NDCG四个指标上均优于基线模型,验证了模型的可行性和有效性。

基于注意力-生成对抗网络的任务分析方法研究

合理的任务分析可帮助分析者快速、准确地进行任务规划,目前使用案例推理方法进行任务分析存在分析时间长、分析结果准确性较低等问题。针对该问题,提出了基于注意力-生成对抗网络的任务分析方法。以长短时记忆网络(LSTM)为生成器、循环神经网络(RNN)为判别器,针对离散数据细微梯度的更新无法回传的问题,在生成器中使用rollout policy对生成的不完整序列进行推理补充,在判别器中使用蒙特卡罗(MC)进行数据采样得到完整的数据序列动作价值函数,从而指导生成器的参数更新;针对稀疏数据特征不明显、数据重点不明确等问题,在生成对抗网络训练前加入软注意力机制,为不同特征赋予不同权重从而过滤冗余数据,筛选出重要的特征数据。将该方法与未加入注意力机制的生成对抗网络在同一模拟数据集上进行对比实验,结果表明,加入注意力机制后的方法在精确率(P)、召回率(R)、F1值和准确率(Accuracy)4种评价指标上分别提升了0.088,0.092,0.094和0.068,与其他神经网络推荐算法相比,在P,R,F1值和Accuracy上分别提升了0.1~0.3,0.1~0.2,0.1~0.25和0.07~0.17,证明了该方法的有效性。

基于HM与LWR算法的电子设备MCS推荐优化

为了提高移动群智感知(Mobile Crowd Sensing, MCS)中数据质量,设计了一种基于混合模型(Hybrid Model, HM)与列表级排序(List-Wise Ranking, LWR)相结合的推荐方法HM-LWR。研究结果表明:确定最优参数指标为学习速率μ为0.01,迭代100次,α取值0.5。采用HM-LWR算法模型能够较精确预测得到参与者的任务偏好情况,分配MCS任务时可以有效提升准确性与运算效率。该研究有助于提高电子设备移动群感知能力,在智慧城市领域具有很好的推广价值。

移动群智感知中基于协同排序的任务推荐方法

针对移动群智感知中参与者积极性不高导致的数据质量低和激励成本高的问题,本文提出了一种基于混合用户模型与列表级排序学习算法相结合的协同排序任务推荐方法.根据参与者的历史行为对其进行分析,初步过滤掉一些劣质感知用户,同时利用参与者间的相似性构建混合用户模型.利用概率矩阵分解对参与者的意愿值进行预测,并根据排序学习得到一个排序模型.根据排序模型生成任务推荐列表,作为目标参与者的优选任务列表.基于真实数据集的仿真实验结果表明,本文提出的方法有效地提高了任务分配的准确率,与此同时减少了感知用户的移动距离.

任务推荐中考虑任务关联度与时间因素的改进OCCF方法

随着众包系统的兴起,人们对众包系统的关注逐渐增多。基于众包系统中的任务推荐,研究者大多将用户对任务的行为数据转化为评分,但没有考虑任务关联关系以及用户兴趣变化对推荐结果的影响。为此,提出一种考虑任务关联度与时间因素的改进OCCF方法,以对任务进行推荐。一方面,在负例抽取阶段引入兴趣遗忘函数,并根据用户活跃度抽取一定数量的负例;另一方面,在概率矩阵分解阶段融合任务相似度信息以进行分解。将所提出的方法应用于众包系统的任务推荐中,利用威客任务中国的数据集进行了实验。实验结果表明,与主流方法相比,所提方法取得了更好的结果,能有效地提高推荐质量。

基于多Agent的众包任务推荐系统建模与仿真

为了让众包平台用户更方便准确地搜寻到合适任务,促进其能力水平提升,解决众包任务推荐动态性等问题,提出了一种基于多Agent的众包任务推荐系统。首先,基于众包平台建立多Agent任务推荐模型,提出了模型设计思路与模型框架,并进一步阐述了各Agent功能、相互作用关系与相关算法;其次,提出众包用户能力水平提升相关算法;最后,利用NetLogo仿真软件进行验证。结果表明,众包任务推荐系统可对用户能力水平的提升起到促进作用,证明了在众包平台引入推荐系统的必要性。并且分析了多Agent技术可提升推荐系统的动态性、智能性与灵活性等整体性能,促进了众包平台数据的管理与维护。

基于时空信息和任务流行度分析的移动群智感知任务推荐

现有移动群智感知任务推荐的共同缺点是:一方面,未充分考虑时空信息对工人偏好的影响,导致推荐准确性低;另一方面,忽略了任务流行度对推荐的影响,导致推荐覆盖率差。为解决这些问题,提出一种基于时空信息和任务流行度分析的移动群智感知任务推荐方法。充分利用工人执行记录中的相关信息(如工人执行任务的时间、位置),准确预测工人对任务的偏好;基于工人声誉和任务执行情况分析任务流行度并设计任务流行度惩罚因子,提升推荐效果的覆盖率;结合工人偏好和流行度惩罚因子生成任务推荐列表。实验结果表明,与现有基线方法相比,所提出方法在推荐准确率上平均提升了3.5%,推荐覆盖率上平均提高了25%。

综合多要素的地理空间数据众包任务推荐方法

针对境外欠发达国家(或地区)地理空间数据和志愿者不足问题,为提高有限志愿者的贡献积极性和有效性,本文提出了一种综合多要素的地理空间数据众包任务推荐方法。首先采用网格将研究区域划分为若干任务;然后引入三角核函数计算用户空间偏好,结合时间遗忘率综合计算用户的时空偏好,借鉴TF-IDF和余弦相似度计算语义偏好,并融合时空、语义偏好获取初始兴趣推荐列表;最后利用隐语义模型预测用户标注每个任务的信誉(能力),并根据用户信誉对初始推荐列表重排序。为验证本文方法有效性,以有一定数据基础的巴基斯坦首都伊斯兰堡为试验区,采用OpenStreetMap平台收集的用户及众包数据开展任务区推荐试验,试验数据按照8∶2的比例随机划分为训练集和测试集。试验结果表明,该方法不仅能提高推荐任务接受率,还能提高用户完成任务的有效性。

众包模式下产品设计任务推荐

针对众包平台的用户设计资源利用率不高、用户的任务筛选效率低下等典型问题,提出了一种基于众包平台的任务个性化推荐算法,阐述了众包平台任务模型及用户模型的构建方法,以及任务与用户模型的匹配算法。该算法考虑了技能、时间、竞争和报酬等任务推荐影响要素,为用户提供更为准确的任务推荐列表,解决了上述典型问题。最后试验结果表明,该算法可有效地产生个性化任务推荐列表,且证明要素权重对推荐结果的作用关系。

基于众包工人移动轨迹的任务推荐模型

随着移动众包的发展,越来越多的任务被发布在众包平台上。然而,由于移动众包系统中有大量的任务,当众包工人根据自己的兴趣主动选择任务时,选择出适合众包工人执行的任务会花费大量的时间。此外,由于众包工人不能完全了解众包系统中存在的所有任务的信息,他们很难选出最适合自己执行的任务。移动众包系统中的任务具有时间和空间特性,需要众包工人在指定的时间区间内移动到指定的区域完成任务。而众包工人有自己的工作和生活,为了适应众包工人的日常移动规律,提出了一种移动预测模型来预测众包工人的移动行为。基于预测结果和众包工人的需求,提出了一种基于众包工人移动轨迹的任务推荐模型。文章在两个真实数据集上进行了大量的仿真,结果证明所提模型具有较高的准确性和良好的适应性。

课程资源的融合知识图谱多任务特征推荐算法

在采集在线学习信息时,普遍存在数据缺失的情况,使得课程资源推荐时可能因数据稀疏导致推荐的效果不理想。为了解决上述问题,基于端对端的深度学习框架,提出了融合知识图谱的多任务特征推荐算法(Multi-Layer Knowledge graph Recommendation,MLKR)。基于多任务特征学习,在任务中嵌入知识图谱;在任务之间通过交叉压缩单元建立潜在特征和实体之间的高阶联系,从而建立推荐模型。实现了基于学习者目标、兴趣、知识水平的课程资源精准推荐。实验结果表明,MLKR推荐算法训练时长和预测准确率均优于基于用户或物品的协同过滤算法和逻辑回归模型,在课程资源推荐领域具有一定的应用价值。

基于排序学习的软件众包任务推荐算法

为了更有效地实现软件众包任务推荐,提升软件开发质量,为工人推荐合适的任务,降低工人利益受损风险,以达到工人和众包平台双赢的效果,设计了一种基于排序学习的软件众包任务推荐方法。首先,基于改进的隐语义模型提取工人-任务间的隐含特征;然后,结合隐式信息对排序学习模型进行改进,并将提取的隐含特征进行排序学习训练,获得最优排序模型;最终通过排序模型对测试集任务进行排序得到任务推荐列表,从而为工人进行众包任务推荐,并采用NDCG,MAP,Recall推荐评价指标对推荐结果进行检验。实验表明,所设计的方法能有效提高软件众包任务推荐的精度,其推荐评价指标的NDCG,MAP,Recall值分别达到0.722,0.326,0.169。与基于用户的协同过滤算法相比,推荐精度提升了18.6%;与仅基于RankNet的排序学习算法相比,精度提升了10.2%,因此能够有效指导软件众包任务推荐。

众包测试研究综述

众包测试利用众包和云平台优势,整合大规模的测试人员协同完成软件测试任务,有效解决了传统测试中人力资源不足以及无法大规模获取用户真实反馈的典型问题,从而获得更全面、多样化的测试结果。本文通过系统分析近年来众包测试研究文献,总结了众包测试的基本流程及其特点,重点梳理了众包平台激励机制、众包测试推荐机制以及测试报告自动生成三方面的关键技术,并完成了对现有技术的系统归纳与对比分析。最后,探讨了众包测试面临的挑战,如激励机制的动态调整、更个性化的任务推荐、根据报告生成测试用例等;并对未来的研究方向进行了展望,特别是在大语言模型辅助下带来的机遇与挑战。