基于深度学习和行为序列的电影推荐系统研究与实现
这是一篇关于电影推荐,用户行为序列,时间权值,GRU,冷启动推荐,MLP的论文, 主要内容为近年来,互联网技术的迅猛发展,导致信息过载。与此同时,用户的需求也越来越多样化、个性化。推荐系统作为信息过滤技术之一,面临着过于依赖用户显性反馈的问题,同时忽视了冷启动对于用户留存的影响。为此,本文研究并提出了一种基于用户行为序列的推荐算法和一种针对新用户的冷启动电影推荐算法。本文的具体研究内容如下:(1)阐述了课题的背景和研究意义,分析了传统的推荐算法,包括协同过滤推荐算法的不足,同时研究了基于深度学习和基于行为序列的各种推荐算法的国内外研究现状和优缺点。(2)在实际推荐应用中,随着时间的推移,用户的兴趣会发生相应的变化,而愈接近当前时刻的历史行为对当前时刻的兴趣状态的影响愈大。但已有的GRU模型只能通过历史行为推断出最终的兴趣,并未考虑到历史行为对最终兴趣的影响存在着随时间衰减这一特性。本文首先提出的一种改进模型——TGRU将时间权值与GRU模型相融合,以此获得更加精确的兴趣表达。此外,使用AUGRU模型捕捉与最终兴趣相关的那些兴趣的演化过程,从而预测用户未来的兴趣。基于上述成果与分析,本文最终提出一种融合时间权值和用户行为序列的电影推荐模型——MRTUB,该模型较为全面地考虑到了用户兴趣的提取及演化过程。实验结果表明,本文所提出的MRTUB电影推荐模型相比于GRU的各种叠加模型而言,效果更优。(3)针对目前的冷启动推荐过于依赖用户评分数据的问题,本文将输入特征聚焦在用户特征和电影特征上,使用深度学习计算用户相似度,以及进行用户和电影的特征融合,提出了基于相似度计算和MLP网络的冷启动电影推荐模型RM-SC-MLP。模型使用用户特征信息和MLP计算用户间的整体相似度,根据相似用户的交互电影得到新用户的候选电影集,然后基于深度学习进行用户特征和电影特征的提取及融合,最后得到预测评分。实验结果表明,本文所提出的冷启动电影推荐算法相比于其他冷启动方法而言,计算结果更为准确。(4)利用本文提出的两种推荐算法,结合不同的推荐场景,使用Vue和Spring Boot框架设计和实现一个电影推荐系统。
基于深度学习的多模态脑部图像融合算法研究
这是一篇关于脑部图像融合,深度学习,Patch-GAN,注意力模块,MLP的论文, 主要内容为医学影像技术可以为人体组织结构提供良好的认识,不同模态的医学图像因被广泛用于疾病诊断中而极大改善了临床诊断决策。例如,磁共振成像MRI(Magnetic resonance imaging)提供了高分辨率软组织信息,计算机断层扫描CT(Computerized tomography)提供了高质量骨骼致密信息,正电子发射断层扫描PET(Positron emission tomography)和单光子发射计算机体层扫描SPECT(Single photon emission computed tomography)能够提供组织器官的血流,代谢,甚至一些癌细胞的活动信息等。在一些复杂的诊断场景中,专家通常需要看到人体的不同深度的结构和组织信息,构建一个具备源图像互补信息和丰富细节的高质量多模态融合图像可为专家提供更多的信息参考,进而使临床诊断更加准确,诊断过程更加方便。本文旨在研究基于深度学习的多模态脑部图像融合算法,通过设计出高效、高质量的自监督融合模型有效整合不同模态图像的互补信息进而生成清晰的融合图像,以便更好地解决以往大多数融合方法易出现的适应性差、细节模糊或缺失、模型繁琐等弊端。研究内容如下:1.针对以往深度学习融合方法出现的融合结果清晰度不高、局部信息还原不够逼真、信息丢失等问题,设计了一种基于Patch-GAN的端到端融合模型用于各种模态的脑部图像融合(U-Patch GAN)。模型利用U-Net和马尔可夫判别器(Patch-GAN)完成双对抗融合机制。Patch-GAN能够有效促进网络对高频信息的注意进而加强融合细节。所设计的基于F范数的新型对抗损失和特征损失(特征匹配损失和VGG-16感知损失)能有效促进网络收敛、加强特征信息的交互、促进细节的整合。通过引入光谱归一化使网络满足Lipschitz连续性,进而促进训练平稳性。实验分析表明,模型各个模态的融合结果对软组织信息纹理和功能色度信息刻画极其优秀,并有着良好的信息视觉效果。2.为了增强U-Patch GAN模型对MRI骨密质信息的保存度(针对PET-MRI模态图像融合)、解决双对抗机制不稳定和模型较复杂的问题,本文提出了基于注意力机制的PET-MRI融合模型(Res-Attention Net)。通过引入注意力模块CBAM(Convolutional block attention module)、注意力门AG(Attention gate)、多尺度池化模块ASPP(Atrous spatial pyramid pooling)和残差结构动态突出显著特征、加强特征信息提取、减少计算开销。通过所设计的骨密质信息与融合区域分离的融合策略有效避免了MRI骨密质信息缺失的问题。实验结果表明,模型在刻画融细节、保持高融合效率方面表现优秀。3.针对Res-Attention Net融合模型对软组织的亮度信息和细节纹理表现不佳、模型本身缺乏泛化性,本文提出了基于多轴门控MLP(Multilayer perceptron)模型用于各个模态图像的融合(DAGM-Fusion)。模型为双路径(全局路径和增强路径)、三约束融合结构(全局约束、增强约束和整体约束)。全局路径弱监督增强路径的训练,三约束保证训练平稳度。模型利用所设计的多轴门控MLP模块(Ag-MLP),专注于一维特征提取,结合CNN使网络实现特征间的稀疏交互。Ag-MLP多轴的结构使MLP能够轻松在网络的较浅层次或像素级的小数据集任务中工作。另外,所设计的基于图像块的损失计算方式(Patch-loss)根据图像像素的强度为每个图像块自动生成损失权重,进而有效提高了融合自适应性和融合细节。大量实验表明模型在各个模态图像中均可实现高效率、高细节融合。
基于光学遥感图像的港口内目标检测研究
这是一篇关于遥感目标检测,YOLOv5,Transformer,MLP的论文, 主要内容为港口是国际贸易中的重要组成部分,也是衡量区域经济发展状况的重要依据,通过检测港口内各目标种类的数量变化能够间接地对当前的港口运营情况进行分析,从而进一步对当前经济形式做出预测,具有很重要的现实意义。但是由于涉及到商业利益以及国家安全等因素,港口的具体运营数据往往无法直接获取。而遥感卫星可以不受地理限制和人工主观性影响,周期性地获取全球范围的遥感图像。随着遥感技术的不断进步,目前已经可以获取到空间分辨率高达0.1m的遥感卫星图像,已经能够清晰地看到地表地物信息,因此可以利用高分辨率遥感图像对地物信息进行更细粒度的检测与识别。然而,光学遥感图像与自然图像相比有诸多难点,比如各目标尺寸差异过大、角度变化大、目标分布密集、小目标多、背景复杂等,给目标检测任务带来了更大的难度,误检、漏检的情况会比自然图像目标检测更加严重。针对以上难点问题,本文基于YOLOv5提出了融合Transformer和MLP的双分支目标检测网络TBT-MYOLO,并基于研究成果开发了港口内目标检测AI服务平台。本文的主要研究内容如下:首先,构建了港口内遥感目标检测数据集。根据课题的研究内容,通过融合不同的公开数据集构建了一个支持旋转框目标检测的港口遥感数据集,包含集装箱、油罐、卡车、船舶四个大类,并且以YOLOv5算法为基础构建了支持旋转框目标检测的算法模型。其次,提出了融合Transformer和MLP的双分支目标检测网络TBT-MYOLO。为增强模型的检测性能,本文设计了双分支网络架构来增强模型的学习能力。并且把Transformer和MLP融入到模型设计中,利用Transformer强大的建模能力和MLP强大的学习能力进一步提高模型的检测性能。最后,设计开发了港口内目标检测AI服务平台。系统采用主流的前后端分离的设计模式,前端基于Vue.js开发,后端基于Django进行开发,集数据集管理、模型训练、模型测试和模型评估等功能于一体。
基于深度学习和行为序列的电影推荐系统研究与实现
这是一篇关于电影推荐,用户行为序列,时间权值,GRU,冷启动推荐,MLP的论文, 主要内容为近年来,互联网技术的迅猛发展,导致信息过载。与此同时,用户的需求也越来越多样化、个性化。推荐系统作为信息过滤技术之一,面临着过于依赖用户显性反馈的问题,同时忽视了冷启动对于用户留存的影响。为此,本文研究并提出了一种基于用户行为序列的推荐算法和一种针对新用户的冷启动电影推荐算法。本文的具体研究内容如下:(1)阐述了课题的背景和研究意义,分析了传统的推荐算法,包括协同过滤推荐算法的不足,同时研究了基于深度学习和基于行为序列的各种推荐算法的国内外研究现状和优缺点。(2)在实际推荐应用中,随着时间的推移,用户的兴趣会发生相应的变化,而愈接近当前时刻的历史行为对当前时刻的兴趣状态的影响愈大。但已有的GRU模型只能通过历史行为推断出最终的兴趣,并未考虑到历史行为对最终兴趣的影响存在着随时间衰减这一特性。本文首先提出的一种改进模型——TGRU将时间权值与GRU模型相融合,以此获得更加精确的兴趣表达。此外,使用AUGRU模型捕捉与最终兴趣相关的那些兴趣的演化过程,从而预测用户未来的兴趣。基于上述成果与分析,本文最终提出一种融合时间权值和用户行为序列的电影推荐模型——MRTUB,该模型较为全面地考虑到了用户兴趣的提取及演化过程。实验结果表明,本文所提出的MRTUB电影推荐模型相比于GRU的各种叠加模型而言,效果更优。(3)针对目前的冷启动推荐过于依赖用户评分数据的问题,本文将输入特征聚焦在用户特征和电影特征上,使用深度学习计算用户相似度,以及进行用户和电影的特征融合,提出了基于相似度计算和MLP网络的冷启动电影推荐模型RM-SC-MLP。模型使用用户特征信息和MLP计算用户间的整体相似度,根据相似用户的交互电影得到新用户的候选电影集,然后基于深度学习进行用户特征和电影特征的提取及融合,最后得到预测评分。实验结果表明,本文所提出的冷启动电影推荐算法相比于其他冷启动方法而言,计算结果更为准确。(4)利用本文提出的两种推荐算法,结合不同的推荐场景,使用Vue和Spring Boot框架设计和实现一个电影推荐系统。
基于深度学习和行为序列的电影推荐系统研究与实现
这是一篇关于电影推荐,用户行为序列,时间权值,GRU,冷启动推荐,MLP的论文, 主要内容为近年来,互联网技术的迅猛发展,导致信息过载。与此同时,用户的需求也越来越多样化、个性化。推荐系统作为信息过滤技术之一,面临着过于依赖用户显性反馈的问题,同时忽视了冷启动对于用户留存的影响。为此,本文研究并提出了一种基于用户行为序列的推荐算法和一种针对新用户的冷启动电影推荐算法。本文的具体研究内容如下:(1)阐述了课题的背景和研究意义,分析了传统的推荐算法,包括协同过滤推荐算法的不足,同时研究了基于深度学习和基于行为序列的各种推荐算法的国内外研究现状和优缺点。(2)在实际推荐应用中,随着时间的推移,用户的兴趣会发生相应的变化,而愈接近当前时刻的历史行为对当前时刻的兴趣状态的影响愈大。但已有的GRU模型只能通过历史行为推断出最终的兴趣,并未考虑到历史行为对最终兴趣的影响存在着随时间衰减这一特性。本文首先提出的一种改进模型——TGRU将时间权值与GRU模型相融合,以此获得更加精确的兴趣表达。此外,使用AUGRU模型捕捉与最终兴趣相关的那些兴趣的演化过程,从而预测用户未来的兴趣。基于上述成果与分析,本文最终提出一种融合时间权值和用户行为序列的电影推荐模型——MRTUB,该模型较为全面地考虑到了用户兴趣的提取及演化过程。实验结果表明,本文所提出的MRTUB电影推荐模型相比于GRU的各种叠加模型而言,效果更优。(3)针对目前的冷启动推荐过于依赖用户评分数据的问题,本文将输入特征聚焦在用户特征和电影特征上,使用深度学习计算用户相似度,以及进行用户和电影的特征融合,提出了基于相似度计算和MLP网络的冷启动电影推荐模型RM-SC-MLP。模型使用用户特征信息和MLP计算用户间的整体相似度,根据相似用户的交互电影得到新用户的候选电影集,然后基于深度学习进行用户特征和电影特征的提取及融合,最后得到预测评分。实验结果表明,本文所提出的冷启动电影推荐算法相比于其他冷启动方法而言,计算结果更为准确。(4)利用本文提出的两种推荐算法,结合不同的推荐场景,使用Vue和Spring Boot框架设计和实现一个电影推荐系统。
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：代码港湾 ，原文地址：https://bishedaima.com/lunwen/52392.html
