一种基于长短期用户表示和多视角学习的新闻推荐方法

个性化新闻推荐系统可以帮助用户在海量新闻中快速获取感兴趣内容。用户的兴趣有长期和短期之分,新闻信息也分多种类别,而现有的方法往往基于单类别信息学习新闻的表示。基于此,提出一种融合长短期用户表示、多特征新闻表示的方法。采用基于协同注意力机制的多视角学习方法构建新闻编码器,从新闻的标题、分类和摘要特征中学习统一的新闻表示;利用改进的新闻表示在基于长短期兴趣的用户编码器中进一步细粒度学习用户表示。在真实新闻数据集上的实验结果表明,该方法与其他推荐算法相比在准确率上有明显提高。

基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network,AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。

基于不同分布下GARCH-M族模型的短期用户负荷预测

电力负荷预测是电力系统研究的基础工作之一,而时间序列分析法是目前使用最广泛的预测方法。针对用户日度负荷时间序列存在的波动性及尖峰厚尾特征,文中提出利用均值广义自回归条件异方差(GARCH-M)族模型进行用户负荷预测。首先根据用户日度负荷时间序列的分布情况,利用拉格朗日乘数(LM)检验方法检验了负荷序列的自回归条件异方差(ARCH)效应;其次提出在高斯分布、t分布和广义误差分布(GED)3种不同分布下,根据波动补偿项的不同形式,建立GARCH-M族模型;最后结合损失函数进行预测分析,结果表明相比传统时间序列分析模型,在不同分布下的GARCH-M族模型提高了短期用户负荷预测准确度。

基于知识图谱和用户长短期偏好的个性化景点推荐

基于序列化的推荐算法在多个领域取得了不错的效果,但仍存在一些问题,如没有考虑所有项与项之间的关系,推荐准确度会大大降低。因此提出一种基于知识图谱和用户长短期偏好(KG-ULSP)的个性化景点推荐方法。通过引入知识图谱,使用网络表示学习方法,学习景点的特征向量表示,使得具有相似结构和相似属性的景点在低维特征空间中的距离比较近,以此表示他们的高级语义特征。然后利用门控循环单元GRU对已学习到的景点特征向量进行序列化信息建模,进一步抽取景点的访问序列特征。另外,考虑到用户偏好可能随时间发生变化,KG-ULSP模型同时学习用户的长期偏好和短期偏好,最终预测并返回用户可能感兴趣的推荐列表。通过在真实旅游数据上的实验,验证了所提方法的有效性。

刻画长短期用户兴趣的基于会话的推荐系统

―在很多在线推荐系统场景中,用户和系统的交互通常都会按照时间间隔划分成一系列的会话.本文研究了如何在基于会话的推荐系统中对用户兴趣进行建模.现有的工作或者假设会话之间相互独立,忽略了历史会话中包含的长期用户兴趣信息;或者将用户在一个会话中的短期兴趣视为静态不变.这两者都无法充分刻画实际场景中的用户兴趣和行为.我们提出了循环记忆网络RMN,一种刻画了用户长期和短期兴趣的基于会话的推荐系统.RMN基于循环神经网络模型,其核心部分是一个储存了用户长期偏好的兴趣记忆模块.另外,我们在RMN中设计了一个会话内的记忆读取单元和一个会话间的记忆写入单元,这两个单元分别用于刻画短期(即一个会话内)的用户兴趣波动和长期(即跨越多个会话)的用户兴趣转移.我们在真实的电影推荐和职位推荐数据集上进行了实验,实验结果表明RMN相比于现有方法而言取得了显著的性能提升.

区分用户长短期兴趣的IBCF改进算法

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题,目前提出了许多改进算法,但它们均忽视了用户长短期兴趣对推荐的不同影响.针对这个问题,介绍了一种改进的长短期兴趣数据权重策略,它的关键是识别用户长期兴趣,为此提出了基于资源类别相似性和基于访问资源类别出现频率两种识别方法,并详细分析了这两种识别方法的优缺点.实验表明,将上述方法引入基于资源的协同过滤算法中,能提高推荐精度.

基于多维度兴趣注意力和用户长短期偏好的新闻推荐

在这个网络媒体平台成为获取新闻资讯的主流方式的时代,新闻推荐扮演着至关重要的角色。一方面,媒体平台使用新闻推荐可帮助用户过滤掉不感兴趣的新闻,定制个性化阅读内容推送;另一方面,智能推送服务能够增加新闻点击率,帮助媒体平台实现新闻的快速传播。目前,新闻推荐逐渐成为数据分发领域核心技术之一,逐渐引起国内外学者的关注。该文针对新闻热度不均衡问题造成的长尾现象,提出了一种基于多维度兴趣注意力的用户长短期偏好的新闻推荐模型。首先,对用户长期偏好进行挖掘时把用户兴趣分成多个维度,并采用注意力机制控制不同兴趣维度的重要程度,从而学习到包含不同维度兴趣信息的长期偏好。其次,采用CNN与注意力网络相结合的模型对新闻进行表示学习,采用GRU在用户近段时间内的阅读历史中学习用户短期偏好。最后,通过大量在真实新闻数据集上的实验,以AUC、MRR、NDCG为评价指标与其他基线方法进行比较,证实了该模型均优于其他方法。

基于属性重要性的WUM数据预处理方式

为了降低Web日志数据的规模,并能从预处理后的数据中发现更有价值的访问模式,在引入知识的信息量的基础上,给出了单个属性相对于属性集的重要性量化值的概念,并采用了操作系统中LRU页面置换算法的思想,提出了基于属性重要性的WUM数据预处理方式。实验证明:该方式可以删除不具有挖掘价值的、因用户短期行为而访问的Web日志记录,剔除掉噪音数据,从而有效减小了日志挖掘的复杂度。

宽带网络的计费策略

进入二十一世纪,我国网络业蓬勃发展,网民队伍也日益壮大,上网已成为大中型城市居民的业余消遣方式之一,而传统的拨号上网因为上网速度缓慢已逐渐落后于时代,宽带网络愈来愈受到人们的青睐.与此同时,各宽带网络的运营商也铺开了没有硝烟的战线,宽带网络的"圈地运动"虽不显山露水却又如火如荼地开始了.作为有线电视已经不再停留是否开展宽带接入的争论上了,纷纷加入这场争夺战之中.

基于互信息和LSTM的用户负荷短期预测

相对于系统级负荷,用户负荷具有基数小、波动性与随机性更强的特点,加大了用户负荷预测的难度。文章借助互信息与深度学习理论,提出了一种基于最大相关最小冗余(max-relevance and min-redundancy, mRMR)和长短期记忆网络(long-short term memory networks, LSTM)的用户负荷短期预测模型。首先,采用mRMR算法对特征变量进行排序并选取合适的输入变量集合,mRMR既可以保证输入变量与目标值间互信息值最大,又使得变量间冗余性最小。接着,对选取的输入变量集合建立LSTM预测模型,LSTM能较好处理和预测延迟较长的时间序列,且不会存在梯度消失和梯度爆炸现象。最后,通过算例验证了所提算法的有效性。