基于多头注意力机制的残差网络深度学习推荐模型

深度学习由于其强大的特征表达能力,在推荐研究领域的应用逐渐广泛。DIN(Deep Interest Network)是一种基于注意力机制和用户兴趣进行推荐的深度学习模型,针对其存在的特征训练完备性较低、推荐精度有待提高的问题,提出一种基于DIN改进的融合多头注意力模块与残差网络的深度学习推荐模型:MHAR-DIN(Multi-Head Attention Residual Deep Interest Network)。利用多头注意力模块基于用户历史行为进行注意力的打分,充分考虑用户的兴趣偏好,并引入残差网络结构将特征越过训练直接接入全连接器,解决过深网络难以训练的问题。在公开数据集MovieLens上与经典深度学习推荐模型的对比实验表明,所提MHAR-DIN模型具有一定有效性和可行性。

基于HTML5技术和云数据库的日记本系统

首先对传统的移动应用开发和HTML5移动应用开发进行了分析,阐述了HTML5移动应用开发的优势,然后介绍了HTML5移动开发技术HTML5+和Mui框架,并介绍了Wilddog云数据库及其使用方式,最后应用HTML5技术并结合云数据库构建了一个跨平台的移动端日记本系统。

基于扰动因子和贪心策略的白骨顶优化算法

针对白骨顶优化算法存在收敛精度低、速度慢且鲁棒性较差等问题,提出了基于扰动因子和贪心策略的白骨顶优化算法(PGCOOT)。首先,该算法在种群初始化阶段采用了精英反向学习策略,提高白骨顶种群多样性;其次通过贪心策略在白骨顶移动中选择最优移动方式,以降低搜索的盲目性和低效性;然后引入扰动因子平衡算法的局部和全局探索能力。最后,将改进算法与多个群智能算法在8个经典测试函数下进行仿真实验,其结果表明,优化后的白骨顶优化算法拥有更优的寻优精度、速度以及更好的稳定性,Wilcoxon秩和检验证明了PGCOOT算法与其他算法相较存在显著性优异。

一个高效的KNN分类算法

KNN算法是数据挖掘技术中比较常用的分类算法,由于其实现的简单性,在很多领域得到了广泛的应用。但是,当样本容量较大以及特征属性较多时,KNN算法分类的效率就将大大降低。本文将粗糙集理论应用到KNN算法中,实现属性约简,提出了一种新的KNN分类方法,解决了KNN算法分类效率低的缺点,从而可使KNN算法能够得到更广泛的应用。

色度色散与偏振模色散对微波光子链路的影响

分析了在微波光子链路系统中,色度色散与偏振模色散对微波光子信号的作用。通过对传输系统模型的理论推导可以发现,对于双边带调制信号,色度色散将引起信号功率的衰落,而单边带调制方式可以避免这一情况;而如果存在偏振模色散,即使是单边带信号也会出现信号功率衰落现象,并随传输距离表现出周期性。

融合项目属性和用户兴趣迁移的协同过滤算法

协同过滤算法作为各种商业推荐技术最常使用的方法之一。然而,由于数据的稀疏性和用户的评分存在单一的相似性,低精度相似度度量降低了推荐系统的性能。针对上述问题,提出了一种协同过滤改进方法。方法基于项目的分类属性,以用户的兴趣度量用户的相似度,量化用户的兴趣所发生的动态迁移,构建新的相似度量模型。Movielens测试结果表明,提出的算法缓解了数据稀疏性,优化了最近邻的选取,与传统算法相比有着更高的推荐精度。