基于图神经网络和GRU网络的社交推荐算法

文章提出了一种基于改进的图神经网络和门控循环单元(Gated Recurrent Unit,GRU)网络的融合模型RGNN-GRU,以预测用户对物品的评分。首先,RGNN-GRU将用户对物品的评分视为相对评分,构造改进的图神经网络。其次,结合现实中用户的兴趣会随时间发生改变的特性,引入GRU网络。最后,利用改进的图神经网络、GRU网络和用户社交网络分别对用户、物品和社交关系进行建模。在数据集Ciao和Epinions上的实验结果表明,本文所提模型的推荐性能更好。

基于图神经网络的社会感知顺序推荐模型

由于用户的偏好是动态多变的,且受社交关系的影响,传统的推荐方法常常考虑不周全。针对此问题,提出一种基于图神经网络的社会感知顺序推荐模型(GASR)设计动态兴趣提取层来捕捉用户的动态偏好。同时设计社会感知层,利用图神经网络构建用户的社交关系图,使用注意力聚合方法来权衡不同朋友对用户偏好的影响。在两个实际数据集上的实验结果表明,该模型优于包括现有最新的社交推荐模型以及几个具有竞争性的基线模型。

安徽省高校就业社会网络舆情预测模型研究

预测就业网络舆情有助于跟踪掌握就业舆情变动,助力政府就业政策的精准出台。使用百度指数,构造安徽省高等院校就业社会网络舆情信息的文本词频集,构建机器学习EEMD-GRU混合模型,对就业社会网络舆情进行拟合与预测。结果显示:EEMD-GRU模型能有效刻画安徽省高校就业社会网络舆情趋势,揭示舆情信息的多尺度时频特征,预测误差RMSE、MAE、MAPE仅为0.971、0.773、0.229,呈现较高准确度。这表明模型能为政府部门研判高校就业舆情、制定政策提供量化分析支撑。

基于AGRU-GNN的图网络社交推荐算法

在推荐系统中,用户对物品的兴趣是动态变化的,会受用户自身历史行为、朋友历史行为甚至短时热点等多方面因素影响.而如何在推荐系统中对用户的时序兴趣进行描述并提取有效信息,一直以来是推荐算法的一大挑战之一.本文在图神经网络(GNN)推荐算法的基础上,提出一种基于注意力门控循环单元(Attention-GRU)的改进图网络算法,对用户、物品的交互时序历史进行特征建模,于此同时结合社交网络将此时序特征在用户、物品之间传播.算法在Ciao与Epionions数据集上进行了验证,并与其他相关工作进行对比,证明了该模型有效地提取了用户、物品的时序特征,提升了推荐系统的有效性.

基于图嵌入和GRU的兴趣点推荐模型

下一个兴趣点推荐是基于位置的社交网络(Location-Based Social Network, LBSN)的重要服务之一,其不仅可以帮助用户寻找其感兴趣的目的地,还能帮助商家提高潜在的收入.目前已有算法提出采用用户行为序列信息以及兴趣点信息进行推荐,但其没有很好地利用兴趣点辅助信息,因此无法缓解冷启动与数据稀疏问题.本文提出了一种基于图嵌入与GRU (Gated Recurrent Unit)的兴趣点推荐模型GE-GRU (Graph Embedding-Gated Recurrent Unit). GE-GRU首先通过图嵌入的方法,将兴趣点本身与其辅助信息相融合,得到信息丰富的深层次兴趣点向量,再将其输入到神经网络中,利用GRU对用户近期兴趣偏好进行建模得到用户Embedding表示,最后根据兴趣点排序列表进行下一个兴趣点推荐.本文在一个真实的数据集Foursquare中超过48万条签到记录上进行了实验,采用Accuracy@k指标进行评估,实验结果表明, GE-GRU相比于GRU、LSTM (Long Short-Term Memory)在Accuracy@10上分别有3%和7%的提升.

基于双编码器利用在线社交网络信息的股票价格预测

设计了双编码器-解码器模型,在模型的双编码器端分别对情绪变量和技术指标进行单独编码,以提高两类信息输入时编码器-解码器模型对股价的预测准确率.首先,对模型的编码和解码,基于门控循环单元(GRU)进行改进,通过去掉重置门,使用更新门代替重置门的功能,将激活函数tanh替换为ReLU激活函数,以达到提高网络训练速度和模型精度的效果.其次,将市场情绪看作离散时间的随机过程,当固定时间时,市场情绪是服从某个概率分布的变量,对其概率分布进行估计,可得市场情绪关于积极、消极和中立的概率估计.进一步的,基于构建伪标签的情感分类器,建立情绪得分公式,并基于Bagging集成的方法对市场情绪的概率分布进行估计,作为投资者情绪变量的补充.另一方面,对多个超参数调整选优,设计正交试验,大大缩短了模型选参时间.实验结果表明,两输入的双编码器-解码器,不仅提升了编码器-解码器框架的股价预测效果,还通过引入投资者情绪,提高了模型的准确率和鲁棒性.