一种多粒度空间的快速构建方法

粒计算是模拟人脑多粒度认知模式处理复杂问题的一种方法.模糊商空间理论作为粒计算的一种典型模型,将复杂问题渐进式粒化成为分层递阶的多粒度空间,从而实现层次化的求解.然而,面对海量高维数据,现有模糊商空间模型通过模糊相似关系构建多粒度空间的效率将大幅降低.一方面,模糊相似关系需要计算数据空间中任意两个对象之间的相似性,不利于处理体量大的数据集;另一方面,模糊相似关系包含大量冗余信息,导致后续步骤中存在大量的冗余计算.因此,本文基于2近邻模糊关系,提出了多粒度空间的快速构建方法,在保证面向下游分类任务时性能不下降的前提下,极大地提升了多粒度空间构建效率.首先,基于k近邻算法提出k近邻模糊关系,并分析证明其关键性质;然后,面向多粒度空间构建任务,对k近邻模糊关系进行参数分析,从理论上证明k取2时即可包含数据空间中全部有效信息;随后,定义了最近邻和次近邻两阶段的有效位置数,提出了模糊相似关系有效值和有效位置提取算法,多粒度空间构建效率提升了75%左右.最后,通过在9个UCI数据集、3个UKB数据集、3个图像数据集和3个文本数据集上的相关实验,验证了该算法构建多粒度空间的高效性、正确性以及面向下游分类任务的有效性、稳定性和显著性.

基于多粒度的图对比学习推荐算法

现有的图对比学习推荐算法,多局限于节点级或图级的对比学习,未能综合利用图的信息。针对这个问题,提出了一种基于多粒度的图对比学习推荐算法(Multi-Granularity Graph Contrastive Learning,MGGCL)。该算法通过融合节点级、子图级和全图级的对比学习,实现对用户和项目的跨粒度建模。在节点级别引入邻域对比学习方法;在子图级别采用随机游走生成不同局部结构,进行子图级对比学习;在全图级别通过采用相似子图–原图采样的组合方式,构建全图级别的对比视图。最后利用多任务策略对推荐监督任务和对比学习任务进行联合优化,提升推荐效果。在真实数据集Yelp和Amazon-Book上进行实验,采用Recall和NDCG指标进行评估。实验结果表明,提出的模型在两个数据集上相较于基线模型,Recall@20分别提升了4.24%和6.85%,NDCG@20分别提升了4.04%和9.66%。

覆盖多粒度粗糙集的数值特征

通过极大描述和极小描述获取的覆盖多粒度粗糙集,可以更好地应用于实际.首先通过极小描述和极大描述的交并运算定义4个悲观覆盖多粒度粗糙集模型,并讨论其基本性;在此基础上进一步分析其证据结构,并得出覆盖多粒度粗糙集具有信任结构的充分条件,即上、下近似满足对偶性、可加性和可乘性.通过上述研究,进一步丰富了多粒度粗糙集的研究.