8个研究背景和意义示例,教你写计算机注意力模型论文

今天分享的是关于注意力模型的8篇计算机毕业论文范文, 如果你的论文涉及到注意力模型等主题,本文能够帮助到你

基于社会网络分析的电影推荐系统的设计与实现

这是一篇关于社会网络,推荐系统,社区划分,注意力模型的论文, 主要内容为在互联网高速发展的时代,电影数据资源呈指数级增长。当面临海量的电影信息时,用户通常很难快速准确地找到他们需要的信息,这导致用户需求得不到满足以及电影资源使用率不高。个性化推荐算法能够帮助用户找到有价值的信息,它通过用户的历史信息以及其他辅助信息对用户进行推荐。当前对于推荐算法的研究取得了一定的进展,然而,算法的推荐性能仍有改进的空间。随着社交媒体的发展,用户之间会产生信任、关注等交互关系。由于传统的协同过滤推荐算法的不足,本文基于社会网络的社区划分和社交影响力在推荐中的作用,并利用在经典电影数据集上进行实验,证明了算法的有效性。本文主要研究内容如下:(1)提出一种基于社区划分的推荐算法。首先,在传统的相似度计算方法上加入用户共同评价项目数量来计算用户间的相似度;其次,利用用户评分数据计算用户之间的直接信任度,通过直接信任的传播得到间接信任;然后,将相似度与信任度结合构建用户关系矩阵,随后根据用户关系矩阵构建用户网络,利用改进的Louvain算法对用户网络进行社区划分,再通过社区划分的结果生成最近邻居集合;最后,对尚未评分的项目做出评分预测,生成推荐列表。实验结果证明了该算法的有效性和精确性。(2)提出一种基于注意力模型的社会化推荐算法。首先,利用降噪自编码器建模用户、项目属性和社交信息,并得到三者的低维向量化表示;其次,计算用户与其所有的社交邻居的社交影响力;然后,通过注意力模型生成用户的社交上下文信息,为用户选择有影响力的社交邻居;最后,得到用户对项目的评分,从评分列表中向目标用户推荐其可能感兴趣的项目。与基准模型对比并分析参数来验证模型的有效性。(3)完成基于社会网络分析的电影推荐系统。系统基于B/S的设计模式,从用户需求出发,实现了电影推荐相关的功能模块。系统的实现解决了电影资源过载的问题,为用户选择电影提供了便利。综上所述,本文提出的算法在电影数据集上能够有效缓解数据稀疏问题,提升推荐效果,同时电影推荐系统能够为用户找到其可能感兴趣的电影,节省用户搜索时间。

基于神经网络的中文电子病历命名实体识别

这是一篇关于中文电子病历,命名实体识别,循环神经网络,条件随机场,注意力模型的论文, 主要内容为随着国内医疗领域信息化的日渐完善,积累的电子病历数据越来越多。这些海量的数据不仅拥有巨大的商业价值也拥有巨大的科研价值。然而,这些数据并不是结构化的文本。有用的信息分布在杂乱的数据中,不能被快速地、有效地利用起来。因此,对中文电子病历的智能分析和使用显得非常重要,其不仅能创造巨大的价值,也可以更快地加速医疗领域的发展。基于此,本课题对中文电子病历文本中的命名实体识别任务进行了研究。命名实体识别作为信息抽取的基础工作,旨在识别出病历文本中拥有最基本语义的实体单元,为后续的其他信息抽取任务提供支持。本课题在通用领域命名实体识别的基础上,针对医疗电子文本的特点提出了相应的改进方案,并据此设计和实现了一个完整的中文电子病历命名实体识别系统。主要工作包含以下几个部分:1)收集和标注了一批中文电子病历命名实体的数据。由于国内的相关研究起步比较晚,没有公开的、有影响力的数据集以供研究使用。为数不多的个人研究中也没有将自己的数据集进行公开。本课题在研究初期通过收集病历文本和相关实体词典进行了数据标注工作。2)设计并实现了中文电子病历命名实体识别系统。首先设计并实现了完整的命名实体识别系统,为进一步的分析利用电子病历提供了基础;然后基于现有文献重点设计了命名实体算法,实现了附加丰富词特征的循环神经网络和条件随机场联合模型。该模型通过再拆分中文分词结果的方式设计细粒度的词向量作为输入,减少歧义分词对命名实体识别的影响;根据中文电子病历实体的特点,本文设计了词性特征、词典特征等特征作为神经网络自动学习特征表示的补充,提高了结构复杂的长实体的识别效果。3)设计并实现了距离敏感的等长Seq2Seq模型。本文通过约束Seq2Seq模型为等长结构,将其迁移应用到命名实体识别这类序列标注任务;结合中文病历文本的语言特性,本文提出了基于距离修饰的改进注意力机制,并取得成效。另外,本文提出的改进模型在全国知识图谱与语义计算大会2017年发布的电子病历命名实体识别评测任务上取得了良好的效果。

基于知识图谱的人机交互话题推荐方法研究

这是一篇关于知识图谱,话题推荐,注意力模型,人机交互,博弈的论文, 主要内容为随着智能对话系统的不断发展,人机交互的方式发生了巨大的变化。原来的基于从命令到反馈的人机交互方式逐渐被打破,人机交互正朝着更加便捷、自然、智能的方向发展。机器正在由被动接受用户的信息向主动理解用户的意图方向发展。随着用户数据的不断积累,大数据和人工智能技术使得在一些场景下机器人比用户更懂“自己”,但是目前的智能语音对话系统,话题展开一直由用户驱动,这样很容易造成用户兴趣点缺失、兴趣度下降、对话终止等问题。因此,本文针对智能语音系统存在的问题,从如何在对话过程中选择合适的话题和如何引导话题两个方面展开研究,主要内容如下:针对人机对话话题推荐中存在的用户对话内容简短、话题的时效性强等问题。本文提出一种基于知识图谱的话题推荐算法。该算法首先根据相似用户具有相同爱好的特性,利用相似用户对话题的喜好为用户选择候选话题,将人机对话话题预测转变为用户对候选话题的点击概率问题。其次,利用知识图谱增强用户表达内容的特征表示。最后,利用注意力神经网络模型对候选话题进行预测。实验表明该算法在人机对话话题推荐上的准确率以及精准率方面明显高于其他模型。针对如何在人机对话过程中为用户进行话题引导的问题,本文提出了基于博弈的人机交互话题引导模型。该模型根据人与人之间的交互关系,提出了人机交互情感友好度和人机交互内容友好度及其量化表示方法,用于分析、量化人机交互的关系表示。通过分析人与人之间话题的博弈关系,对人机交互的话题博弈过程进行建模,从而确定是否对话题进行引导和引导哪个话题,据此实现话题引导并对用户进行回复。实验表明,本模型能够在不破坏人机和谐性的同时对话题进行引导,引导之后用户的情感以及兴趣度都会有较大的提升,提高了人机交互的满意度。

基于全局距离估计的图像哈希检索研究与应用

这是一篇关于全局距离估计,注意力模型,图像检索的论文, 主要内容为图像检索系统的发展对于社会具有重要的价值,它能够帮助人类更好地处理和理解图像,促进文明的交流与传播,同样也具有良好的应用场景。一套成熟的多数据源检索实验应用系统能够帮助用户快速准确的在不同数据源场景中找到关联图像。如何实现多数据源场景的精确检索、自动检索,是目前多数据源检索发展的重要问题。为了解决这个问题,本文主要研究工作如下:(1)提出了一个基于全局距离估计的图像哈希检索方法,针对全局视角下如何提取空间分布合理的哈希码的问题,我们基于List-wise的方法来构造数据依赖的哈希函数。为了适配不同的应用场景,本文对单标签哈希检索系统和多标签哈希检索系统分别设计了不同的距离估计模式。一方面,对单标签哈希检索设计了可学习的距离超参数估计出类别在汉明空间中的距离关系。另一方面,对多标签哈希检索设计了距离三元组,并估计出类别之间的距离关系,这不仅包括类间的距离关系,还包括类间含有相同其它类别时的距离关系。此外,为了让哈希码进一步地减少从欧式空间到汉明空间转化的量化损失,本文提出了对应的量化损失方法,来加强哈希码转化的准确性。(2)提出了基于特征金字塔的混合注意力模型,用于进一步优化本文所提出的基于全局距离估计的图像哈希检索方法。该方法可以先验的从整体到局部观察图像的信息,使网络可以更好地区分自然图像的海量特征,重点关注那些图像具有局部性代表性具有区分能力的语义特征和对应的细节信息,增强特征表达并有效增强图像检索水平。实验结果表明,在主干网络中引入注意力模型之后,网络在不同位数上的MAP平均提升了 0.645(CIFAR-10数据集)和0.63(NUS-WIDE数据集)个百分点。基于上述研究,本文最后部分面向检索模型只能有限的针对某一特定图像数据集的问题,提出了多数据源检索实验应用测试平台。该测试平台设计并实现了前后端、模型微服务和数据相分离的技术架构,具有多数据源检索资源的快速整合能力。在高检索准确率特性的基础上,该测试平台同样具有广泛的应用潜力。

基于注意力模型的混合推荐系统

这是一篇关于注意力模型,自适应增强,协同过滤,混合推荐的论文, 主要内容为随着信息技术,尤其是大数据技术的快速发展,用户获取信息的方式已经发生了很大的改变,面对信息的爆炸式增长,“信息过载”问题日益突出,而推荐系统作为一种解决信息过载问题的有效方法引起了广泛的关注。协同过滤算法是诞生最早的推荐算法,因其简单且易于实现,又使其成为目前推荐算法中的主流并被广泛应用。但这种算法主要有两个方面的缺陷:(1)针对于某个特定商品,目标用户是否喜欢,只与同种类别的物品强相关,而与其他物品弱相关。不同品类物品的偏好数据与推荐物品品类的强关联性将影响实际推荐物品的命中率。(2)在选取推荐结果时,通过简单的排序算法,将用户之间的相似度与相似用户的偏好程度放到一起,弱化了用户相似度、不同用户偏好程度这两个不同维度特征对于推荐系统的影响,降低了推荐结果的准确性。随着机器学习,尤其是深度学习算法的兴起,将传统的推荐系统与机器学习、深度学习融合到一起的新型混合推荐系统正在成为一个研究的热点。将机器学习尤其是深度学习技术引入推荐系统可望改善上述缺陷及瓶颈。为此,本文提出一种基于注意力模型的混合推荐系统,首先利用深度神经网络中的注意力模型对特定推荐商品的物品属性进行加权分配,获得预推荐商品的用户认可度评分;再通过自适应增强模型替换传统的损失排序模型,使得精确度、召回率等相关评价指标获得较大提升。同时,本文首次引入了相似用户平均认可度的概念,用来评价推荐物品在相似用户集中的平均认可程度,通过认可度指标可以在用户体验维度对推荐系统性能给出更精确的评价。最后通过系统仿真验证了本算法的正确性和可行性,并给出了改进算法与当前主流的协同过滤推荐算法的性能对比及分析。

基于神经网络的中文电子病历命名实体识别

基于用户长短期偏好的个性化音乐推荐算法研究

这是一篇关于推荐系统,循环神经网络,注意力模型的论文, 主要内容为音乐是人们生活中的重要娱乐方式,但在海量的音乐中,找到喜欢的歌曲已经成为了一种挑战。因此,音乐推荐已经成为现代音乐流媒体平台服务中的重要部分,能够减少用户的选择时间,提升用户体验,增加商业利益。本文研究推荐系统中的音乐推荐问题,即分析用户的兴趣,向用户推荐个性化的音乐列表。针对这一问题,本文做出了如下的研究工作:(1)本文提出了一个数据驱动的两段式音乐推荐框架,旨在为用户推荐合适的音乐列表。在第一阶段:(1)基于用户喜欢的音乐列表,使用矩阵分解获取用户对音乐的长期偏好;(2)基于歌曲的音乐上下文,使用段落向量等方法获得歌曲的音乐特征。在第二阶段,将用户对音乐的长期偏好、用户的历史播放记录中的歌曲的特征作为循环神经网络的输入,抓取用户对音乐的短期偏好,输出用户喜欢每一首歌的概率,并由此生成一个Top-k的音乐列表推荐。在该阶段,本文提出了两种基于注意力机制的长短期记忆网络模型,能够有效的抓取并结合用户对音乐的长短期偏好,提高推荐准确度,生成合适的音乐列表。(2)本文在数据驱动的两段式音乐推荐框架的基础上,提出一种基于用户长短期偏好的音乐列表推荐框架。其中,优化了用户长期偏好的提取过程,并提出了两种基于注意力机制的双向长短期记忆网络模型,利用用户喜欢的音乐列表抓取用户对音乐的长期偏好。该方法能够有效的规避矩阵中的稀疏性问题,并提高推荐准确度。(3)本文在真实的数据集上进行了实验,通过实验分析了关键参数对实验算法的推荐性能产生的影响,并与已有的经典音乐推荐系统方案进行对比,证明了本文提出的音乐列表推荐算法的有效性。