7篇关于表征学习的计算机毕业论文

今天分享的是关于表征学习的7篇计算机毕业论文范文, 如果你的论文涉及到表征学习等主题,本文能够帮助到你

基于深度学习的多模态新闻推荐系统研究与实现

这是一篇关于推荐系统,多模态,新闻推荐,表征学习,深度学习的论文, 主要内容为随着互联网的高速发展,网络上的信息数据量呈指数级增长,由于信息量太过庞杂,用户很难在大量的选择中挑选出自己感兴趣的内容。为了解决各种在线应用中信息爆炸的问题,同时为了增强用户体验,出现了推荐系统来模拟用户的偏好。推荐系统的出现为用户提供了一种高效的获取有效信息的方式,目前推荐系统在音乐推荐、电影推荐和网上购物等领域,已经有了较为成熟的应用。除此以外,随着5G的发展与普及,新闻信息不再局限于文本表示,更多地通过图片、视频等多模态的形式展现给用户。因此当前基于深度学习的多模态推荐系统仍然存在诸多问题:(1)当前主流的推荐系统主要针对文本信息进行用户兴趣挖掘与推荐,而目前国内外针对多模态新闻信息的研究还相对较少;(2)新闻作为一种和时间属性强相关的信息,现有的研究方法缺乏针对新闻流行度等高阶特征的建模;(3)面向新闻推荐系统领域,相关平台缺乏多模态新闻推荐系统的实践经验。针对以上问题,本文重点围绕多模态新闻的推荐系统进行研究,主要研究工作包括:(1)针对文本、图像等多模态间信息表征不统一的问题,提出一种多模态信息联合表征算法,并基于神经网络进行特征提取,将跨模态信息映射到统一的特征空间中,并在平台构建的多模态新闻数据集中于Rank@5指标相较之前最优算法提升了 2.39%;(2)基于多模态信息表征,对新闻正文内容中的深层语义信息进行建模,提高模型对新闻信息的理解,同时基于新闻的点击率、发表时间等,提出一种新闻流行度预测的算法,解决新闻推荐中的长尾问题,并形成基于用户兴趣的个性化新闻推荐系统,并在公开数据集MIND中于nDCG@5指标相较之前最优算法提升了 3.99%;(3)基于以上研究内容,将新闻推荐算法落地,形成一套完善的多模态新闻推荐算法引擎,并实现可视化交互的多模态新闻推荐系统,为用户提供个性化的多模态新闻信息推荐。

针对隐式反馈推荐系统的表征学习

这是一篇关于推荐系统,表征学习,二部图网络,协同过滤的论文, 主要内容为基于邻域的Top-N推荐算法利用隐式反馈数据建立排序模型,其算法性能严重依赖于相似度函数的表现,传统相似性度量函数在隐式反馈数据上会遇到数据过于稀疏和维数过高两个问题,稀疏数据不利于推荐模型选取光滑的邻域,过高的数据维数会导致维数灾难问题,导致推荐算法表现较差。为解决这两个问题,本文提出一种基于表征学习方法的推荐算法,改进算法分为两部分:第一部分实现了基于二部图网络的多目标节点表征学习方法,在节点表征中通过嵌入不同层次的网络结构信息和次序信息来提升推荐性能,增加结构层次扩大推荐算法候选物品范围,增强模型表达马太效应,而嵌入次序信息使得表征更适用于Top-N推荐;第二部分用维表征代替高维数据进行基于物品的协同过滤推荐。在Movie Lens 1M、Lastfm及Book Crossing三个不同规模真实数据集上的实验结果表明,该算法相较于常用的基于隐式反馈的推荐模型具有更高的准确率和召回率,准确率比传统协同过滤方法提升最高约4%,比现有的推荐方法提升最高约1%。说明模型在针对大规模数据集时能够有效缓解矩阵稀疏性问题和维数灾难问题,提高推荐性能。

基于图卷积神经网络的服饰搭配性预测研究

这是一篇关于深度学习,图神经网络,表征学习,时尚推荐的论文, 主要内容为随着人们的生活水平提高和服装零售行业的快速发展,消费者对时尚服饰推荐的需求也不断增加。本文旨在回答一个非常实际的问题:“应该选择哪件服饰来与给定服饰相搭并组成一套搭配合理的服装”。该问题的关键在于如何估计服饰之间的搭配关系。对于服饰搭配的判断是一件非常具有挑战性的任务。确定一组服饰之间是否相搭并不只能从美学角度的判断,通常情况下,它涉及到了解服装的视觉风格,甚至社会和文化的背景。这项任务也是其他很多服装行业应用的基础,如个性化时装设计,服饰创作和时尚潮流预测等。然而时尚的概念又是难以捉摸的,同时取决于多种人类的主观概念,所有属性都因人而异并会随着时间的推移而变化。在之前的相关研究工作中,大多只考虑了两个项目之间的搭配性,未能充分利用一整套服饰中,各个服饰项之间的复杂关系。本文的主要研究内容针对现在的服饰搭配预测方法提出了改进。首先是在预测服饰之间搭配关系时引入搭配关系上下文信息,待预测服饰和其他相关联服饰之间的搭配关系可以表示为图结构,并利用图卷积神经网络模型对其进行建模。进一步的在研究中还考虑到这种丰富的上下文信息通常获取困难,因此在后续研究中提出基于其他数据首先提取服饰不同属性之间的依赖关系,并通过对这些属性建立知识图谱再来引导模型更好的获取单个服饰图像的特征嵌入。更进一步,为了考虑同一组搭配中服饰之间的相互依赖关系,改进了之前研究中的将组合表示为序列的模型的方法,利用图注意力模型进行建模,最终得到对于整个搭配的得分。并基于这些研究设计并实现了一套服饰搭配推荐系统。本文还针对提出的模型在以下两个任务上进行实验:(1)填空:选择与现有服饰组合相搭配的服饰;(2)组合预测:预测给定服装的搭配合理程度。实验结果证明了我们提出的几种方法在多个数据集上的表现都优于其他现有方法。

编辑鲁棒的人脸识别系统的设计与实现

这是一篇关于人脸编辑,人脸识别,表征学习,对比学习,特征解构的论文, 主要内容为随着深度学习技术的发展,涌现出很多基于生成对抗网络(GANs)的人脸编辑算法,被广泛应用到各式各样的人脸编辑软件中。这些软件能对输入的人脸图片进行编辑,包括添加或删除某些人脸特征,改变年龄、性别等。人脸编辑的技术可能被应用于违法犯罪的目的,比如罪犯可以通过上传经过编辑后的人脸图片或者乔装打扮来逃避追捕。现有的人脸识别算法虽然在未编辑过的人脸图片上表现良好,但是面对经过人脸编辑的图片准确率并不高。同时,由于人脸数据收集困难,现有的人脸识别系统往往考虑使用人脸编辑对人脸数据集进行扩增,但是合成脸会对模型的性能造成损害。针对上述两点问题,本文提出了一种基于对比学习和特征解耦的人脸识别算法,能够在训练阶段滤除合成模态,也能在测试阶段准确识别经过编辑的人脸图片。本算法符合良好的表征学习的特性,能够学习到鲁棒的人脸表征,首先通过对比学习将人脸表征从低维流形的固定区域中解放出来,然后使用特征解构,滤除人脸表征中一些与身份信息无关的表征,更紧密地聚集在低维流形中,使得相同身份的人脸图片表征高内聚,不同身份的人脸图片表征低耦合。在此算法基础上,本文设计并实现了编辑鲁棒的人脸识别系统,本文详细描述了系统的需求分析和各模块的概要设计,然后对数据生成模块、人脸模型构建和训练模块、人脸模型识别模块、效能分析模块、可视化模块的原理与实现进行了详细的阐述。

基于深度表征学习的弱偏差推荐系统研究与应用

这是一篇关于推荐系统,推荐偏差,表征学习,半监督学习,自监督学习的论文, 主要内容为随着深度表征学习技术的发展,推荐系统能够更加智能化的建模用户和物品的表征向量,从海量信息中为用户推荐感兴趣的物品。但是由于用户和物品的交互反馈机制、负样本采样方式、源数据长尾分布等原因,推荐系统产生了不同类型的偏差,给模型性能的提升造成了不同程度的影响。本文主要针对深度表征学习的推荐系统中存在的偏差问题进行探索,主要研究内容如下:(1)基于伪标签生成的弱偏差推荐算法。推荐模型在数据采样过程中通常将未交互样本标记为负样本标签,忽视了未交互样本对中的潜在正样本。因此,本研究建立了适用于推荐系统的伪标签学习框架,采用了蒙特卡洛随机丢弃和多模型训练策略提升标签的可信度,并引入了逆倾向得分算法对物品的曝光比例进行平衡,缓解了曝光偏差并提升了性能。(2)基于用户兴趣度的自监督学习弱偏差推荐算法。推荐源数据中用户和物品存在明显的长尾分布,为了缓解推荐系统中存在的流行偏差,本文提出了一个基于用户兴趣度的自监督学习框架,通过历史序列获得用户兴趣表征向量,并采用基于互信息以及序列随机掩膜的两阶段数据增强策略,对模型添加扰动。进一步计算得到对比损失,添加至损失函数中进行训练,最终缓解了流行偏差并提升了预测性能。(3)基于税务数据的弱偏差企业推荐系统。由于税务发票数据缺乏有效的负样本标签,基于税务数据的企业推荐场景是一个典型存在推荐偏差的场景。本研究将弱偏推荐模型应用至企业推荐场景,提出了一种具有可解释性的混合召回策略,并构建了一套完整的多级联推荐架构。本文聚焦于推荐系统中的偏差问题,通过半监督学习和自监督学习的方式缓解了推荐系统的曝光偏差和流行偏差,最终应用弱偏差推荐算法至企业推荐场景。本文的研究成果提升了推荐模型的预测性能,缓解了推荐偏差,并在工业应用场景进行了部署,为缓解推荐系统的偏差提供了创新的改进思路和应用实例。