多层结合的多阶显式交互的融合推荐模型

现有不少模型着眼于对有限数据通过生成显式特征交互以进行挖掘来提升点击率预测效果,但存在以下问题:对于原特征与新生成的显式特征,直接一起输入到一个统一的神经网络结构进行挖掘然后输出,由于两者参数量差别较大导致在表征上差异巨大;同时如果直接采用多级层数的神经网络结构还会导致低层,如第一、二层信息的丢失,但若直接将各层进行累加以结合,则一些层中有用性有限的信息可能成为噪声以影响预测。为此设计多层权重结合的多阶显式交互的融合推荐模型,通过将原数据与生成的多阶显式特征分别放入各自对应的自注意力层中挖掘,其中各自对应结构的层数不同,同时对各层进行加权后输出以完成多层的结合,以提高点击率预测效果。通过在两个公开数据集上与多个不同模型进行比较分析,并对模型进行消融对比和超参数对比实验,证明了该模型能有效挖掘原特征与显式交互特征信息,平衡各阶特征表征能力。

不排水不可压缩条件下土体-孔隙流体相互作用的半显式交互解法

对不排水不可压缩条件下土体─孔队流体的相互作用问题，由于受Babuska－Brezzi稳定条件的限制，常规的有限元等插值u-p解法将不能给出正确的结果，本文提出的半显式文工解法可避免这一条件的限制，使得u，p的插值阶数保持一致，文中给出了一些简单的算例以验证本文方法的正确性．

行为逻辑视角下显隐融合式交互设计的探析

本文基于行为逻辑和交互设计的五要素开展研究,分析显式交互与隐式交互之间的差异,探讨显隐融合式交互设计的关键切入点,构建显隐融合式交互设计的思维流程。从传统显示交互体现用户体验的局限性可以看出,显隐融合式交互设计的优势将逐渐凸显,显隐融合式交互设计未来将与大数据、人工智能技术等诸多领域相交。同时由于显隐融合式交互设计的特性,其也将有自己的适用边界。

虚拟装配交互界面中的隐式交互算法研究

针对现有虚拟装配系统中交互是以设备为中心的显式交互,不能有效地感知用户操作意图,用户认知负担和操作负担较高的问题,为了提高虚拟装配系统的智能性,将隐式人机交互引入虚拟装配系统,提出一种基于场景任务的用户意图感知算法.首先建立场景知识模型和用户知识模型,并分别构建显式交互知识库和隐式交互知识库;然后利用专家系统推理用户显式操作意图和隐式操作意图,实现人手向目标位置平移时场景主动拉近和抓放场景物体时物体主动旋转2种情景下的人机相向互动.实验结果表明,该算法实现了人机协同交互,降低了用户的操作负担和认知负担.

一类非线性发展方程的AGE并行数值方法

给出一类非线性发展方程的AGE方法 ,并得到该方法的无条件稳定性 。

增强型高阶注意力因子分解机点击率预测模型

特征交互的建模对于推荐系统中预测用户的点击率至关重要。设计了增强型高阶注意力因子分解机模型EHAFM(enhanced high-order attentive factorization machine),其主要由Embedding层、显式特征交互层、输出层构成。在每个显式特征交互层中,通过聚合其他特征的表示来更新特征的表示,并针对无用特征交互对预测产生干扰的问题,提出了增强型元素级注意力机制,利用投影矩阵拓展特征表示空间,以增强注意力矩阵的学习能力。通过融合多个增强型元素级注意力头的信息,以解决模型泛化能力不足问题。通过堆叠显式特征交互层可以将特征表示更新到任意高阶,将高阶特征交互部分与一阶线性部分结合进行点击率预测。EHAFM模型在Criteo、Movielens-1M两个数据集上进行实验,结果表明相较基准模型在两个数据集上分别有0.21%和0.92%的AUC提升。