基于邻域采样的多任务图推荐算法

近年来,图神经网络(GNN)成为解决协同过滤的主流方法之一。它通过构建用户-物品图,模拟用户与物品的交互关系,并用GNN学习它们的特征表示。尽管现有在模型结构上的研究已取得了较大进展,但如何在图结构上更有效地进行负采样仍未有效解决。为此,提出一种基于邻域采样的多任务图推荐算法。该算法提出了一种基于GNN的邻域采样策略,该策略以每个用户为中心构建子图,将次高阶物品作为用户邻域采样的负样本,可以更有效地挖掘强负样本并提高采样质量。通过GNN对图结点进行信息聚合与特征提取,得到结点的最终嵌入表示。设计一种余弦边际损失来过滤部分冗余负样本,以有效减少采样过程中的噪声数据。同时,该算法引入了多任务策略对模型进行联合优化,以增强模型的泛化能力。在3个公开数据集上进行的大量实验表明,该算法在大多数情况下明显优于其他主流算法。

基于动态邻域采样的社交推荐模型

基于图神经网络的社交推荐模型在提升推荐系统性能方面有不错的表现。但现有方法都忽略了被查询的目标用户和项目节点与其邻居节点间可能存在特征不匹配的问题,导致噪声的引入而降低了模型性能。为了解决该问题,文中提出一种社交推荐模型DNSSR。首先构建一个包含用户和项目多元关系的关系图谱,图节点间信息关联更丰富;然后利用动态邻域采样机制获得与目标查询对的特征更一致的邻居节点,减少了噪声信息;另外,为了进一步提高模型预测性能,设计了一种增强型图神经网络对采样后得到的关系子图进行建模,它可以区分不同邻居节点的重要性并选择更可靠的信息源,获得更鲁棒的用户和项目嵌入向量用于评分预测。实验结果表明:相比其他先进模型,该模型预测误差明显降低,证明了文中所提各项方法的有效性;尤其是动态邻域采样机制,若将其弃用,DNSSR在Ciao数据集上的RMSE(均方根误差)和MAE(平均绝对误差)指标将分别上升6.05%和7.31%,在Epinions数据集上则分别上升3.49%和5.41%,充分验证了其能有效降低噪声干扰、提高社交推荐模型的性能。

基于邻域采样的异质网络链接预测算法

面对规模日益增长的图数据,传统的图卷积模型直接在大规模图上进行训练需要耗费大量的计算资源和时间,采样方法通过灵活构建输入模型中的数据成为缓解这一问题的常用措施。现有采样方法多针对同质网络,并且在考虑训练过程中出现的邻居爆炸、训练成本过大的问题时仍然存在欠缺。为解决大规模网络训练的这一缺陷,论文提出一种基于邻域子图采样的训练框架,使得图卷积网络能够在大规模异质网络上高效地完成训练。具体而言,论文方法首先将邻域采样和批量处理结合起来,利用k阶采样器对完整的异质网络进行采样得到批量邻域子图,然后使用关系图卷积模型对各子图进行特征提取,从而获得链接预测评分。为了评估该采样算法的有效性,论文在三种规模不同的异质网络数据集FB15k-237,FB-Toy,WN18上进行链接预测任务实验。实验表明,添加提出的邻域采样方法的关系图卷积模型与基线相比能够显著提升在大规模异质图中链接预测任务的准确率以及模型训练速度。

融合二连通模体结构信息的节点分类算法

节点表示学习将图结构数据信息编码到低维的潜在空间中,在节点分类、聚类、链路预测等机器学习任务中被广泛应用。在复杂网络中,节点与节点之间不仅存在直接相连的低阶结构,也存在以特殊连接模式形成的高阶结构,称为模体。提出一种融合二连通模体结构信息的节点分类算法(FMI),利用节点间高阶二连通模体信息学习节点表示,完成节点分类任务。首先,统计网络中的二连通模体,利用其中信息提出一个节点重要性的度量指标——模体比值。根据模体比值计算采样概率进行邻域采样;构造一个带权辅助图以融合网络节点连接的低阶关系与高阶关系,对节点进行加权邻域聚合以得到节点表示。在5个数据集Cora、Citeseer、Pubmed、Wiki和DBLP上执行节点分类任务,与5种经典基准算法进行对比,所提算法FMI在准确度和F1-分数等指标上表现良好。

融合重要性采样和池化聚合的知识图推荐算法

现有的知识图推荐模型通过聚合相邻实体节点的特征和结构信息来更新当前位置实体节点的嵌入表示,为了控制计算成本和维护模型的稳定性,通常使用随机的固定大小的采样邻域来替代完整的知识图.然而,这些方法存在两个问题:首先,随机选择的邻域限制了知识图用于辅助推荐的效果和稳定性.此外,多数模型只是对所采样邻居节点特征进行均值聚合,这种聚合方法没有充分挖掘所采样邻居节点对于目标节点影响的差异性.针对以上问题,本文提出了基于关系紧密度的重要性采样方法,通过计算关系紧密度选择对目标节点更重要的邻域,以及基于池化操作的聚合方法,通过引入池化层训练得到不同邻居节点对目标节点的差异化权值.在结合本文提出的两种方法后,本文提出基于图神经网络的知识图推荐算法KGCN-PL.最后,本文评估了所改进模型在5个真实世界数据集上的性能,与近几年提出的基于知识图的推荐算法进行对比,在AUC,召回率指标上均取得提升.

自适应采样多通路Metropolis算法

多通路Metropolis光照传播算法(multiplexed metropolis light transport,MMLT)存在相邻像素内的路径样本差异性大的缺陷,导致最终生成的渲染图像出现大量噪声。为解决该问题,以像素内采样样本为集合,引入Deluca-Termini模糊度作为像素噪声水平的评价标准;为降低当前像素和周围像素内路径样本的差异性,采样过程中当采样数量达到一定数目后,将模糊度作为当前像素八邻域位置的采样权重;以权重影响不同噪声水平像素采样比重,进行自适应采样。实验结果表明,引入模糊度作为权值的八邻域自适应采样算法切实改进了不同光照材质场景中的渲染效果,减少生成图像噪声的同时改进了整体的采样分布。

基于图卷积神经网络的三维点云分割算法Graph⁃PointNet

三维点云无序不规则的特性使得传统的卷积神经网络无法直接应用,且大多数点云深度学习模型往往忽略大量的空间信息。为便于捕获空间点邻域信息,获得更好的点云分析性能以用于点云语义分割,文中提出Graph⁃PointNet点云深度学习模型。Graph⁃PointNet在经典点云模型PointNet的基础上,结合二维图像中聚类思想,设计了图卷积特征提取模块取代多层感知器嵌入PointNet中。图卷积特征提取模块首先通过K近邻算法搜寻相邻特征点组成图结构,接着将多组图结构送入图卷积神经网络提取局部特征用于分割。同时文中设计一种新型点云采样方法多邻域采样,多邻域采样通过设置点云间夹角阈值,将点云区分为特征区域和非特征区域,特征区域用于提取特征,非特征区域用于消除噪声。对室内场景S3DIS、室外场景Semantic3D数据集进行实验,得到二者整体精度分别达到89.33%和89.78%,平均交并比达到64.62%,61.47%,均达到最佳效果。最后,进行消融实验,进一步证明了文中所提出的多邻域采样和图卷积特征提取模块对提高点云语义分割的有效性。

基于改进蜘蛛网局部图像特征的图像配准算法

为了解决传统基于特征描述匹配算法鲁棒性和精度较差的问题,提出一种基于改进的蜘蛛网局部图像特征(Spider Local Image Feature,SLIF)描述子的图像配准算法。该算法对SLIF描述子进行改进,将特征点采样模型范围内的方形、径向、环形邻域像素信息纳入描述范围,增强SLIF描述子空域描述能力。此外,还对SLIF描述子描述方法进行改进,利用特征点采样模型范围内像素点之间自相似性构建特征描述方法。实验表明,该方法在平移旋转图像特征点配对的准确率和配准精度高,抗噪声能力强,具有较好的鲁棒性和图像变换适应性。

实用最优点的概念及求解方法

从工程实际角度引出实用点的概念,指出对于一个优化问题而言,在某些场合不仅要考虑目标函数的全局极值点,还要考虑函数在此极值点邻域内的性质,进而提出实用最优点的概念——带有一定邻域约束的全局最优点.由于该约束采用传统方法难以处理,文中采用邻域采样的近似方法,基于粒子群优化算法的思想,提出了一种快速搜索算法,以求取不同要求下的实用最优点.仿真实验结果验证了实用最优点的概念以及搜索算法的可行性,该搜索算法具有良好的寻优性能.

基于航摄影像的滇池捞鱼河湿地植物类型提取

为了获取滇池湿地的植物类型分布信息,以捞鱼河湿地为示范区,采用分辨率为0.15 m的航摄影像为影像数据源,利用人机交互和面向对象相结合的影像解译方法,实现捞鱼河湿地植物类型分布信息的提取。在植物类型边界提取过程中,发现过高的影像分辨率(≤0.3 m)不利于成片具有空间异质性植物类型边界的正常提取,容易出现同一类型过度分割情况。通过邻域降分辨率重采样技术,将影像分辨率降至0.6 m时,能有效解决过度分割问题。当分辨率降至更低时,虽然能解决过度分割问题,但会导致地物边界出现不同程度的锯齿而与地物边界不符的后果。研究所应用的基于Feature Extaction模块的植物类型边界提取方法,能有效减少人机交互方法中人工勾绘边界的工作量,在保证分类精度的同时减少人力投入,对航摄影像在大范围湿地植物类型的提取中具有重要借鉴意义。