基于图神经网络的匿名序列推荐算法研究
这是一篇关于匿名数据,序列推荐,图神经网络,非顺序结构转换,邻域图,位置信息,Transformer的论文, 主要内容为随着互联网技术的发展和信息存储方法的进步,人类社会产生的数据总量愈发庞大,这使得信息过载问题日益突出。推荐系统能够有效帮助用户提高在海量信息中查找有用信息的效率。面对现今社会多样化的非欧几里得数据,传统的协同过滤方法与深度学习方法表现出拟合能力较差、信息提取能力较弱的问题。而图结构可以清晰直观地表示非欧几里得数据,所以得到了广泛的关注。近几年,将匿名会话序列构建为图结构,运用图神经网络的方法进行序列推荐表现出良好的性能。但是现在匿名会话序列推荐算法的研究还存在一些不足:在面对无配置文件的序列推荐时,大都只关注序列的顺序转换关系,对序列节点之间的非顺序复杂结构转换关系重视不够,导致推荐性能不佳;在无配置文件情况下挖掘用户序列长短期兴趣时,较少考虑当前序列较短、用户长期兴趣挖掘不充分的问题,影响了推荐精准性。针对上述问题,本文开展了基于图神经网络的匿名序列推荐算法研究,主要工作内容及结果如下:1.针对匿名会话序列提取节点间转换关系时,对序列节点之间的非顺序复杂结构转换关系重视不够的问题,提出了一种基于非顺序结构转换的图神经网络推荐模型(Straight Graph Attention Network,ST-GAT)。本模型首先将会话序列按时间戳构建直通图,利用直通图注意力网络处理该图,对图中各节点进行跨节点、远距离特征传播和聚合,以捕捉序列的非顺序复杂结构转换关系;其次将直通图中最后一个节点的嵌入向量表示作为序列的最近兴趣表示;同时利用权重图注意力网络处理顺序图,捕捉序列的顺序转换关系。将上述工作得到的序列顺序转换表示、非顺序转换表示与最近兴趣表示相融合,获得了更加精准的序列表示。2.针对匿名会话序列长度短而无法有效捕捉用户序列的长期兴趣的问题,提出了一种基于邻域图和位置信息的图神经网络推荐模型(Neighbourhood Position Gated Graph Neural Network,NPGGNN)。本模型依据当前序列,按照给定算法寻找邻域序列并建立邻域图,首先使用广度优先搜索算法确定邻域图中各节点的位置信息,其次利用位置门控图神经网络控制各节点之间的信息传播与聚合,接着使用注意力机制避免大量无关邻域节点信息对用户长期兴趣的干扰,然后聚合邻域图各节点,得到了序列的长期兴趣表示。最后使用权重图注意力网络处理顺序图,挖掘到当前序列的短期兴趣,将长短期兴趣融合以捕捉到用户兴趣的动态变化。3.针对上文给出的两个模型,在四个真实的公开数据集上进行了多组实验验证,相较于对比模型,提升了推荐性能。
景区应急指挥调度系统主要功能软件设计与实现
这是一篇关于位置信息,多源数据,应急系统,处置模式,数据中心的论文, 主要内容为为了提高景区针对重大应急事件的处理能力,保证游客的人身与财产安全,保证公司智慧旅游服务项目的顺利实施交付,本次系统设计旨在在满足景区自身的功能要求及相关政策需求前提下,利用先进的信息化技术消除景区各系统之间的信息孤岛,解决景区应急事件处理效率较低,协调联动能力较弱,事件处理流程不清晰,事件过程无法全跟踪等问题。本文通过对景区应急指挥调度系统进行需求分析,确定了系统功能流程,总结出该景区应急指挥调度系统的关键技术路线,明确了系统的整体框架和业务流程,并进行了详细的系统搭建、设计开发及测试,最终实现了景区应急指挥的相关功能,并应用于景区实际管理中。本次设计的详细内容主要包含以下几点:(1)本次系统建设的关键技术是利用位置信息在定位服务和空间分析方面的优势,结合了地理信息系统(GIS)、全球导航卫星系统(GNSS)和现代移动通信技术等一系列技术,实现系统在日常监管和应急事件处理中能随时调用查看各资源数据的位置信息的功能;(2)系统将建设统一的数据中心平台,采用MySQL基础数据库,整合景区的软硬件系统及外部系统的多源数据,真正实现一中心管理,多系统协同的目标;(3)系统基于当前景区应急事件的处置模式,设计符合景区实际需求的应急事件指挥调度处理流程,利用Redis、WebSocket等技术,采用基于Java语言的J2EE平台,开发完成了从日常监管,事件上报,预案管理、应急调度到事件总结的应急全流程的事件处理功能;并模拟实际应用场景,对系统功能及性能进行测试,验证系统的有效性及稳定性。目前该系统已经正式投入使用,针对景区的各种应急事件,该系统起到了重要的数据和技术支撑作用,有助于景区最大程度的提升景区应急管理水平,为景区游客的在游览过程中提供一个安全的旅游环境。系统在实际运用中运行稳定可靠,各功能模块达到了系统预期的建设目标,为景区智慧旅游的发展打好良好的铺垫。
基于全局增强图神经网络的序列推荐研究
这是一篇关于基于会话的推荐,图神经网络,注意力机制,位置信息的论文, 主要内容为已有基于会话的推荐系统大多根据最后一个点击的项目与当前会话的用户偏好的相关性进行推荐,忽略了在其他会话中可能包含了与当前会话相关的项目转换,然而这些项目转换对用户的当前偏好也有一定影响,因此需要从局部会话和整体会话的角度来综合分析用户偏好;并且这些推荐系统大多忽略了位置信息的重要性,而与预测位置越近的项目可能与当前用户兴趣的相关性越高。针对上述问题,本文提出一种基于全局增强的图神经网络的推荐模型(GL-GNN,global graph neural network with LSTM)。GL-GNN根据所有会话预测用户的行为,使用GNN来捕获当前会话的全局和局部之间的关系,并采用LSTM捕获全局层面会话间的关系。先通过注意力机制层将用户的偏好表示为基于全局层面和局部层面会话兴趣的组合;然后,加入了反向位置信息衡量当前位置和预测位置之间的距离,得到了GEL-GNN(global enhanced graph neural network with LSTM)模型,以便可以更加准确地预测用户行为。在3个真实的数据集上进行了大量的实验,实验结果表明GEL-GNN优于现有的基于会话的图神经网络推荐模型。最后,在GEL-GNN模型的基础上,设计实现了个性化图书推荐系统。采用前后端分离的方式进行了实现,前端使用了Vue框架,数据库采用了My SQL,后端使用的是Python的Django框架,设计实现的个性化图书推荐系统能够根据用户当前偏好和长期偏好,向用户推荐可能感兴趣的书籍。
基于图神经网络的匿名序列推荐算法研究
这是一篇关于匿名数据,序列推荐,图神经网络,非顺序结构转换,邻域图,位置信息,Transformer的论文, 主要内容为随着互联网技术的发展和信息存储方法的进步,人类社会产生的数据总量愈发庞大,这使得信息过载问题日益突出。推荐系统能够有效帮助用户提高在海量信息中查找有用信息的效率。面对现今社会多样化的非欧几里得数据,传统的协同过滤方法与深度学习方法表现出拟合能力较差、信息提取能力较弱的问题。而图结构可以清晰直观地表示非欧几里得数据,所以得到了广泛的关注。近几年,将匿名会话序列构建为图结构,运用图神经网络的方法进行序列推荐表现出良好的性能。但是现在匿名会话序列推荐算法的研究还存在一些不足:在面对无配置文件的序列推荐时,大都只关注序列的顺序转换关系,对序列节点之间的非顺序复杂结构转换关系重视不够,导致推荐性能不佳;在无配置文件情况下挖掘用户序列长短期兴趣时,较少考虑当前序列较短、用户长期兴趣挖掘不充分的问题,影响了推荐精准性。针对上述问题,本文开展了基于图神经网络的匿名序列推荐算法研究,主要工作内容及结果如下:1.针对匿名会话序列提取节点间转换关系时,对序列节点之间的非顺序复杂结构转换关系重视不够的问题,提出了一种基于非顺序结构转换的图神经网络推荐模型(Straight Graph Attention Network,ST-GAT)。本模型首先将会话序列按时间戳构建直通图,利用直通图注意力网络处理该图,对图中各节点进行跨节点、远距离特征传播和聚合,以捕捉序列的非顺序复杂结构转换关系;其次将直通图中最后一个节点的嵌入向量表示作为序列的最近兴趣表示;同时利用权重图注意力网络处理顺序图,捕捉序列的顺序转换关系。将上述工作得到的序列顺序转换表示、非顺序转换表示与最近兴趣表示相融合,获得了更加精准的序列表示。2.针对匿名会话序列长度短而无法有效捕捉用户序列的长期兴趣的问题,提出了一种基于邻域图和位置信息的图神经网络推荐模型(Neighbourhood Position Gated Graph Neural Network,NPGGNN)。本模型依据当前序列,按照给定算法寻找邻域序列并建立邻域图,首先使用广度优先搜索算法确定邻域图中各节点的位置信息,其次利用位置门控图神经网络控制各节点之间的信息传播与聚合,接着使用注意力机制避免大量无关邻域节点信息对用户长期兴趣的干扰,然后聚合邻域图各节点,得到了序列的长期兴趣表示。最后使用权重图注意力网络处理顺序图,挖掘到当前序列的短期兴趣,将长短期兴趣融合以捕捉到用户兴趣的动态变化。3.针对上文给出的两个模型,在四个真实的公开数据集上进行了多组实验验证,相较于对比模型,提升了推荐性能。
基于图神经网络的匿名序列推荐算法研究
这是一篇关于匿名数据,序列推荐,图神经网络,非顺序结构转换,邻域图,位置信息,Transformer的论文, 主要内容为随着互联网技术的发展和信息存储方法的进步,人类社会产生的数据总量愈发庞大,这使得信息过载问题日益突出。推荐系统能够有效帮助用户提高在海量信息中查找有用信息的效率。面对现今社会多样化的非欧几里得数据,传统的协同过滤方法与深度学习方法表现出拟合能力较差、信息提取能力较弱的问题。而图结构可以清晰直观地表示非欧几里得数据,所以得到了广泛的关注。近几年,将匿名会话序列构建为图结构,运用图神经网络的方法进行序列推荐表现出良好的性能。但是现在匿名会话序列推荐算法的研究还存在一些不足:在面对无配置文件的序列推荐时,大都只关注序列的顺序转换关系,对序列节点之间的非顺序复杂结构转换关系重视不够,导致推荐性能不佳;在无配置文件情况下挖掘用户序列长短期兴趣时,较少考虑当前序列较短、用户长期兴趣挖掘不充分的问题,影响了推荐精准性。针对上述问题,本文开展了基于图神经网络的匿名序列推荐算法研究,主要工作内容及结果如下:1.针对匿名会话序列提取节点间转换关系时,对序列节点之间的非顺序复杂结构转换关系重视不够的问题,提出了一种基于非顺序结构转换的图神经网络推荐模型(Straight Graph Attention Network,ST-GAT)。本模型首先将会话序列按时间戳构建直通图,利用直通图注意力网络处理该图,对图中各节点进行跨节点、远距离特征传播和聚合,以捕捉序列的非顺序复杂结构转换关系;其次将直通图中最后一个节点的嵌入向量表示作为序列的最近兴趣表示;同时利用权重图注意力网络处理顺序图,捕捉序列的顺序转换关系。将上述工作得到的序列顺序转换表示、非顺序转换表示与最近兴趣表示相融合,获得了更加精准的序列表示。2.针对匿名会话序列长度短而无法有效捕捉用户序列的长期兴趣的问题,提出了一种基于邻域图和位置信息的图神经网络推荐模型(Neighbourhood Position Gated Graph Neural Network,NPGGNN)。本模型依据当前序列,按照给定算法寻找邻域序列并建立邻域图,首先使用广度优先搜索算法确定邻域图中各节点的位置信息,其次利用位置门控图神经网络控制各节点之间的信息传播与聚合,接着使用注意力机制避免大量无关邻域节点信息对用户长期兴趣的干扰,然后聚合邻域图各节点,得到了序列的长期兴趣表示。最后使用权重图注意力网络处理顺序图,挖掘到当前序列的短期兴趣,将长短期兴趣融合以捕捉到用户兴趣的动态变化。3.针对上文给出的两个模型,在四个真实的公开数据集上进行了多组实验验证,相较于对比模型,提升了推荐性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码货栈 ，原文地址：https://bishedaima.com/lunwen/47897.html
