基于知识图谱增强异构网络表示学习的推荐方法研究
这是一篇关于异构网络,知识图谱,图注意力,推荐系统的论文, 主要内容为随着人工智能的不断发展以及互联网数据的指数级增长,导致人们经常面临一个信息过载问题。用户常常难以从海量数据中快速获取想要的信息,这使得智能、有效的推荐方法及推荐系统变得越来越重要。其中,基于知识图谱的推荐方法因其引入了用户及物品内含的丰富的语义关系,可以有效缓解推荐系统面临的数据稀疏及冷启动问题,极大地提高了推荐模型的效果,受到了众多学者的关注。知识图谱的引入虽然极大的增强了我们可以学习的内容,但现有模型都在研究如何有效的将知识图谱融合到用户交互图中,没有考虑直接融合后的知识图谱由于额外信息的引入造成的图污染问题。这种污染可能导致学习到的节点表示既不具有推荐任务属性,也不具有知识图谱属性。另外,由于图的不可区分,已有模型都没有区分推荐任务和知识图谱表示学习任务,通过一种方法同时学习两种任务特征。基于以上问题,本文的主要工作如下:(1)提出了一种新的推荐任务相关的知识图谱融合方式,以缓解信息不一致造成的融合后的图污染问题。具体地,本文根据知识图谱和用户-项目交互图的特点,构造了一个异构协作知识图谱,该异构协作知识图谱保留了知识图谱原有的异构网络边信息,同时又加入了新的用户交互类型信息,并通过实体匹配链接将项目连接到知识图谱内,最终拼成一个只关注推荐任务语义关系的异构协作知识图谱。另外,基于该异构协作知识图谱,可以便捷地利用异构网络表示学习方法完成推荐任务,避免了在大规模知识图谱上学习实体语义而带来的计算负担。(2)在异构协作知识图谱的基础上,本文设计了一个能区分推荐任务和知识图谱表示学习任务的异构图注意力网络。该网络通过在异构图上使用不同的图神经网络学习方式,即保留了知识图谱的实体关系性质,又考虑到了推荐任务的特殊性。并且,在推荐预测模块,本文设计了一个能考虑用户-项目交互的新注意力传播方法,借此将用户和项目的交互信息也编码到节点表示中去。最后,本文在亚马逊图书数据基准集上验证了所提出方法的有效性。
基于异构网络表示学习的专家推荐和文本分类研究
这是一篇关于异构网络,表示学习,专家推荐,文本分类,深度学习的论文, 主要内容为随着人工智能的蓬勃发展,深度学习开始在很多领域诸如计算机视觉、自然语言处理、推荐系统大放异彩。然而,在很多数据稀疏的场景下,训练样本的短缺导致深度学习难以达到很好的效果。解决数据稀疏问题的关键在于如何通过引入更多的信息和关联来增强信息的传递和共享,而这正是网络表示学习技术的优势所在,通过构建同构或异构网络并使用低维向量表示节点,网络表示学习可以在高效处理大规模网络的同时,最大程度地保留原网络中的节点属性和结构特征。问答社区中的专家推荐问题和超多类别文本分类问题是两个较为典型的数据稀疏场景,前者由于用户的提问和回答需要较高的用户兴趣和专业水平,使得用户与问题的交互相对稀疏,后者由于类别过多,类别间数据存在不均衡,多数类别的数据较为稀疏。因此,本文使用异构网络对这两个问题进行建模,并使用网络表示学习方法抽取和利用异构网络上的丰富的信息,从而提升推荐和分类的性能。本文的主要研究内容和创新成果如下:1.针对专家推荐任务中由于数据稀疏性导致的难以对用户兴趣和用户专业性做出准确刻画的问题,本文提出了一种基于异构网络表示学习的专家推荐方法。首先,为了缓解数据稀疏性问题,构建一个由用户和问题组成的异构网络,使用基于元路径随机游走的方法学习用户长期兴趣,并将其与使用长短期记忆网络学习到的用户短期兴趣相结合得到用户兴趣表示。然后,为了显式地对用户专业性进行建模,提出反馈聚合网络,它利用用户历史回答及反馈信息得到用户专业性表示,通过使用加入注意力机制的长短期记忆网络,此网络还可以捕捉到用户专业性的动态变化,使用户专业性向量表达更加准确。在Stackexchange公开数据集上本文所提算法提升各项指标近4%。2.针对文本分类问题中在分类类别数较多时,对于数据较为稀疏的类别,模型无法学习到有效表示导致分类准确率低的问题,本文提出了一种基于异构网络表示学习的文本分类方法。此方法将单词、文档和类别构建为文本异构网络,显示地学习向量表示。为了同时捕捉节点属性和网络结构信息,同时利用好标签,本文在构建好的异构网络上设计异构图神经网络进行节点表示的学习,考虑到节点异构性,针对不同类型的节点使用不同的聚合函数从而让信息在网络中进行有效传递。并且考虑到类别间存在层级关联,设计多层级的分类损失,从而将类别间联系也建模进异构网络中,引入更丰富的信息,降低模型的分类难度。在实验与结果分析环节,在某电信客服数据集上实现了接近4%准确率的提升,验证了使用异构网络建模的有效性。
基于异构网络嵌入的去元路径社会化推荐研究
这是一篇关于推荐系统,异构网络,社交网络,随机游走,表示学习的论文, 主要内容为社会化推荐能够缓解推荐系统交互数据稀疏和冷启动问题,受到研究者和业界的广泛关注。然而,社交关系本身存在稀疏和噪声的问题,因此,有研究在由用户和项目组成的异构信息网络中识别可靠的隐式朋友缓解该问题。其中,基于元路径指导的随机游走方法能较好地学习用户表征从而更准确地判断隐式朋友,提高推荐的性能。然而,设计有意义的元路径需要很强的领域知识,极大地增加了推荐的难度。针对此问题,本文提出了去元路径社会化推荐方法。利用异构随机游走中域跳转和域停留的思想得到隐式朋友进行推荐,形成去元路径社会化推荐模型;并将用户网络进行社群划分,形成融合用户群体信息的去元路径社会化推荐模型。在真实数据集上的实验表明了本文所提出方法具有优越性和可行性。本文的主要工作如下:(1)分析了社会化推荐系统的国内外研究现状,并根据技术发展的趋势,结合相关模型分析了当前社会化推荐系统的优点与不足,对元路径和异构信息网络嵌入技术进行了概述。(2)构建包含用户正负反馈信息和用户社交网络的异构信息网络,利用域跳转和域停留的思想在形成的异构信息网络中去元路径地随机游走,为网络结构中的每个节点获得一系列的节点序列语料库。随后利用异构信息网络表示学习方法学习对应节点的嵌入,作为用户节点的初始化向量,再通过用户节点彼此之间的向量相似性识别隐式关系。最终,将得到的隐式关系和增强的社会化贝叶斯个性化排序模型相结合,为用户生成对应的个性化推荐列表。(3)利用社区发现对用户社交网络进行群体划分形成虚拟节点域,并根据用户和项目间的积极反馈信息和消极反馈信息,基于虚拟节点域构建融合用户项目正负反馈信息、用户社交网络信息以及用户群体信息的异构信息网络,结合域跳转和域停留的隐式朋友计算方法,形成融合用户群体信息的去元路径社会化推荐模型。(4)在真实数据集LastFM和Douban上对本文所提方法进行了整体性能对比以及相关的参数影响分析,验证了该方法的有效性和可行性。同时对基于元路径识别的隐式关系和基于域跳转和域停留识别的隐式关系对比分析,阐释了去元路径起作用的原因。
面向开发者社区的应用程序接口推荐系统的研究与实现
这是一篇关于API推荐,协同学习,异构网络,潜在关系挖掘,矩阵分解的论文, 主要内容为应用程序接口(application programming interface,API)是指在软件开发的过程中,由于不同模块间组合的形式不同而需要的一些事先定义好的接口程序。API的出现解决了开发人员在编程过程中出现的代码冗余现象,对于一些重复性较高的功能,只需调用API即可实现。在实际应用中,API由于简化了开发人员将全新组件集成到已有结构中的方式,提升了开发效率。为了适配更多的平台并满足更多开发需求,API的数量日益增加,类别的划分也越来越细致化,这虽然便利了开发者,但也使得寻找到适合的API成为了一个急需解决的问题。目前现有的API推荐算法大多专注于API与用户之间的关系,却忽略了对于用户之间或API之间关系的探索与利用。为了解决上述问题,本文通过挖掘用户之间和API之间存在的潜在关系特征增强矩阵分解模型,并构建基于潜在关系特征的集成模型来提升API推荐的准确度。本文主要工作包括以下几个方面:(1)收集API数据。采用分布式爬虫在Programmable Web网站上爬取真实的API数据集,并对该数据集进行数据预处理工作,利用用户和API的特性完成API异构信息网络的构建。(2)提出基于用户关系挖掘的推荐模型。首先通过用户之间存在的异构信息网络利用Jaccard公式计算用户与朋友之间的相似度,并以正则化的形式将用户关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降的方法训练模型,得到用户最终的社交化矩阵,矩阵中的元素代表在朋友的影响下,用户对API关注度的预测值。(3)提出基于API关系挖掘的推荐模型。首先通过API之间存在的异构信息网络利用Jaccard公式计算相似度,并以正则化的形式将API关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降训练模型,得到API最终的特征化矩阵,矩阵中的元素代表在已关注的API的影响下,用户对API关注度的预测值。(4)集成模型。由于基于用户关系挖掘的推荐模型和基于API关系挖掘的推荐模型都只考虑到用户之间或者API之间的网络关系,并且,对于不同的用户和API,两个模型得到的最终结果也不同。因此,本文以线性组合的方式集成上述两个模型,并通过参数组合实验决定模型权重,最终得到完整的API推荐模型。通过实验表明,在API推荐方面,本文提出的集成模型相较于其他推荐算法,推荐准确度至少提升30%。同时在不同训练集密度下,模型也展示了良好的泛化能力和鲁棒性。
应用于作者学术行为预测的异构网络表征学习机制研究
这是一篇关于异构网络,链接预测,网络表征学习,元路径,知识图谱的论文, 主要内容为当今学术社会,科研活动趋向多元化、多方协作化和学科交叉化,学术社交网络已成为包含海量信息的重要数据资源。作者学术行为预测旨在从异构学术网络中挖掘作者的行为关系,以促进科研合作,产出高质量的研究成果。异构网络具有数据的高维稀疏性、节点和边的异质性等特点,导致传统方法性能不佳。同时大多方法未考虑节点的多种特征和节点间边的重要性等,导致学习力度不足,难以有效学习网络中的节点表示。因此,如何有效地融合节点的多种特征,挖掘网络的深层结构特征,学习网络中的节点表示,并高效地实现链接预测已成为异构网络数据挖掘领域的研究热点。为有效提取和融合节点的多种特征和邻居信息,解决传统方法处理异构网络数据困难、未考虑节点多种特征等问题,本文设计了基于元路径和多特征的异构网络表征学习方法 HNEMF(Heterogeneous Network Embedding based on Meta-path and Multiple Features)。HNEMF考虑内容特征、结构特征和社区特征,利用双向长短时记忆和注意力机制融合多条元路径下节点的多种特征和邻居信息,并采用聚类算法捕获全局结构,充分挖掘节点之间的关系,从而有效地学习节点的表示,提升学术行为预测准确率。为深入挖掘节点的结构信息和语义信息,解决大多现有方法采样邻居节点不平衡、需要预先定义元路径采样邻居节点、忽略节点之间边的重要性等问题,本文提出了基于深层结构的异构网络表征学习方法HNEDS(Heterogeneous Network Embedding based on Deep Structure)。HNEDS通过两种基于边信息的平衡化游走算法捕获邻居节点,并利用知识图谱嵌入表示方法加强一阶邻居信息的学习。此外,通过将节点映射至不同的边表示空间中进行学习,解决不同类型边的语义不兼容问题,从而深入地表示节点,最大程度保留原始网络的拓扑结构,提高作者学术行为预测的效果。为有效提取和融合节点内容特征、社区特征和深层结构特征,解决现有方法大多仅从单一角度学习节点信息、未考虑多种特征如何有效融合等问题,本文在HNEMF和HNEDS的基础上实现了基于深层结构的多特征异构网络表示学习方法HNESF(Heterogeneous Network Embedding based on Deep Structure and Multiple Features)。HNESF通过全连接神经网络融合节点的内容特征、社区特征和深层结构特征,并改进现有的知识图谱嵌入表示方法,增加多种节点特征对于节点表示的影响,挖掘内容特征、社区特征和深层结构特征之间的潜在关系,加强一阶邻居信息学习的全面性,从而综合地表示学习节点,进一步提高学术行为预测性能。
面向开发者社区的应用程序接口推荐系统的研究与实现
这是一篇关于API推荐,协同学习,异构网络,潜在关系挖掘,矩阵分解的论文, 主要内容为应用程序接口(application programming interface,API)是指在软件开发的过程中,由于不同模块间组合的形式不同而需要的一些事先定义好的接口程序。API的出现解决了开发人员在编程过程中出现的代码冗余现象,对于一些重复性较高的功能,只需调用API即可实现。在实际应用中,API由于简化了开发人员将全新组件集成到已有结构中的方式,提升了开发效率。为了适配更多的平台并满足更多开发需求,API的数量日益增加,类别的划分也越来越细致化,这虽然便利了开发者,但也使得寻找到适合的API成为了一个急需解决的问题。目前现有的API推荐算法大多专注于API与用户之间的关系,却忽略了对于用户之间或API之间关系的探索与利用。为了解决上述问题,本文通过挖掘用户之间和API之间存在的潜在关系特征增强矩阵分解模型,并构建基于潜在关系特征的集成模型来提升API推荐的准确度。本文主要工作包括以下几个方面:(1)收集API数据。采用分布式爬虫在Programmable Web网站上爬取真实的API数据集,并对该数据集进行数据预处理工作,利用用户和API的特性完成API异构信息网络的构建。(2)提出基于用户关系挖掘的推荐模型。首先通过用户之间存在的异构信息网络利用Jaccard公式计算用户与朋友之间的相似度,并以正则化的形式将用户关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降的方法训练模型,得到用户最终的社交化矩阵,矩阵中的元素代表在朋友的影响下,用户对API关注度的预测值。(3)提出基于API关系挖掘的推荐模型。首先通过API之间存在的异构信息网络利用Jaccard公式计算相似度,并以正则化的形式将API关系加入损失函数构建矩阵分解模型。接着通过随机梯度下降训练模型,得到API最终的特征化矩阵,矩阵中的元素代表在已关注的API的影响下,用户对API关注度的预测值。(4)集成模型。由于基于用户关系挖掘的推荐模型和基于API关系挖掘的推荐模型都只考虑到用户之间或者API之间的网络关系,并且,对于不同的用户和API,两个模型得到的最终结果也不同。因此,本文以线性组合的方式集成上述两个模型,并通过参数组合实验决定模型权重,最终得到完整的API推荐模型。通过实验表明,在API推荐方面,本文提出的集成模型相较于其他推荐算法,推荐准确度至少提升30%。同时在不同训练集密度下,模型也展示了良好的泛化能力和鲁棒性。
基于无线异构网络的矿下定位系统设计
这是一篇关于无线传感器网络,异构网络,煤矿安全,低功耗算法,人员信息管理系统的论文, 主要内容为近年来,由于井下事故所带来的巨大的人员伤亡、机械故障以及生产延迟,给企业带来了巨大的经济损失,因此井下作业人员的安全问题引起了人们越来越多的关注。在出现事故时,精确的定位系统能极大的缩短救援时间。设计一套精确、低功耗的井下地位系统对于改善生产安全和提高效率是大有裨益的。单纯的工业无线网络成本高,缺乏大容量、实时的通信,有线-无线异构网络则可以弥补这些缺陷,可将多种信息传感设备和智能化的数据管理系统有效的结合起来,本文在无线异构网络的基础上,提出了一套具有低功耗特性的矿下定位系统。对矿下定位系统的研究主要集中在两方面:一方面针对煤矿井下特殊的环境情况,提出一种低功耗并且高精准度的混合定位算法。另一方面对系统后台软件的设计与研发,系统使用C/S架构,开发环境是VS2010,开发语言为C#。本文提出的低功耗的混合定位算法包括基于加速度传感器的计步算法、无线节点发送功率控制算法和自适应包调度算法。由于矿下移动节点是电池供电,基准节点是干线供电,所以移动节点的能耗必须尽可能的小,混合定位算法在数据采集端利用了加速度传感器功耗低的优势,将惯性传感器与矿下定位结合起来,将测量移动节点的加速度值转换为距离值,最终确定佩戴移动节点的矿工的具体位置信息,这种方法相比于传统的区域定位方法在准确度上有明显的提升,能实时的传送矿下人员的精准位置信息。在无线移动节点与无线基准节点通信的过程中采用了功率控制算法和自适应包调度算法,使矿下定位系统移动节点在能耗方面得到了进一步优化。本文介绍了矿下定位系统的总体设计方案,将地理信息系统应用到矿下定位后台系统之中,将矿下人员位置信息数据和井下巷道信息数据相结合,综合分析与管理,完成了地面信息管理中心控制软件的设计与实现。使系统具有智能化和集成化的特点,符合矿下定位系统的发展趋势。
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：源码驿站 ，原文地址：https://bishedaima.com/lunwen/48247.html
