基于协同知识嵌入注意网络的推荐算法研究

推荐系统广泛用于实际应用场景中,现有利用图神经网络的基于知识图谱的解决方法忽略了对知识图谱中蕴含丰富关系知识的有效编码。提出一种协同知识嵌入注意网络模型,通过在知识高阶传播过程中融入翻译模型对以三元组形式表示的知识进行有效编码,实现协同信息与知识传播更高效的融合方式,并通过拓展端到端模型CKAN完成推荐算法的设计。在三个真实推荐场景中的实验结果表明,相对于现有的KGCN、KGNN-LS、KGAT等方法,所提算法在点击率预测中的AUC值在Last.FM数据集上达到了0.8473,在Book-Crossing数据集上达到了0.7538,在Dianping-Food数据集上达到了0.8783;在Top-K推荐中的召回率均优于基准算法。

基于STN与异构卷积滤波器的肝硬化识别

卷积神经网络因缺乏空间不变性造成分类精度不高,且由于复杂度过高导致分类效率较低。提出一种利用空间变换网络和异构卷积滤波器的SH_ImAlexNet网络,应用于肝硬化样本识别。改进卷积神经网络AlexNet的结构和参数以满足肝硬化样本尺度要求,引入空间变换网络层增强特征提取能力与空间不变性,采用异构卷积滤波器替换部分卷积核降低复杂度并提升鲁棒性。实验结果表明,该网络的分类效果较AlexNet、VGG等传统网络更优,在小样本数据集和大样本数据集上的识别率分别达到98.28%和95.67%,空间复杂度和时间复杂度更低且运行效率更高。

异质图神经网络协同过滤模型

协同过滤算法被广泛运用于各类大数据的推荐系统中,能够向用户推荐与该用户类似的用户感兴趣的信息。随着深度学习,尤其是图神经网络的发展,基于图神经网络的协同过滤算法受到了越来越多的关注。基于图结构的协同过滤模型通常将用户与条目的交互信息建模为二部图,然后利用二部图的高阶连通性建模捕获用户与条目之间的隐藏关系。但是,这种二部图模型没有将用户之间的相似关系和条目之间的相似关系明确建模。此外,二部图的稀疏性会产生图中高阶连通性依赖问题。为此,该文提出了一种基于异质图卷积神经网络的协同过滤模型,将用户之间的相似度和条目之间的相似度显式地编码到图结构中,使得用户与条目的交互关系被建模成异质图。异质图结构使用户之间的相似度与条目之间的相似度能被直接捕获,降低了对高阶连通性的依赖,同时缓解了二部图过于稀疏的问题。该文在4个典型的数据集上进行了实验,并与4种经典模型进行了对比,结果表明所提出的模型效果较好。