文物知识图谱构建与检索关键技术研究与实现
这是一篇关于文物本体,知识图谱,语义检索,兴趣建模,个性化排序的论文, 主要内容为文物中蕴含了大量的历史、艺术和文化等设计知识,是文化创意产业的一个重要灵感来源。目前的文物数字化工作已经取得了一定的进展,但主要局限于文物基本信息存储以及数量统计等,用于宣传和展览文物为主。对于创意设计领域而言,还没有一个可供设计师使用的文创设计辅助平台,而且传统的文物信息检索能力也很差。因此,本文研究了基于本体的文物知识图谱构建方法,以及基于知识图谱的个性化语义检索模型,并开发了文物知识图谱集成平台,从而帮助设计师更好地进行创意设计。本文具体的研究成果如下:一、文物知识图谱构建技术。本文首先对创意设计的文物知识特征进行了分析;接着针对文物领域的特点,在七步法和骨架法的基础上进行改进,提出了文物本体构建方法;然后利用该方法完成了文物本体的构建;最后基于构建好的文物本体,完成了文物知识图谱的构建。二、面向创意设计的个性化语义检索框架。本文首先研究了基于知识图谱的语义检索模型和基于设计师偏好的兴趣模型构建,接着提出了面向创意设计的个性化排序算法,最后综合这三个模型,提出了面向创意设计的个性化语义检索框架,使系统能够在语义层面理解设计师的检索意图,又能够针对不同的设计师提供个性化的检索服务,同时还能在创意设计层面,激发设计师的创作灵感,增强设计师的用户体验。三、文物知识图谱集成平台构建。基于上述的研究成果,本文设计并实现了文物知识图谱集成平台。平台分为两部分,一是前台展示系统,供设计师进行检索和浏览文物使用;二是后台管理系统,供文博专家进行文物知识的管理。整个系统采用B/S架构,使用开源服务端框架SSI进行开发,界面清爽,简单易用。
文物知识图谱构建与检索关键技术研究与实现
这是一篇关于文物本体,知识图谱,语义检索,兴趣建模,个性化排序的论文, 主要内容为文物中蕴含了大量的历史、艺术和文化等设计知识,是文化创意产业的一个重要灵感来源。目前的文物数字化工作已经取得了一定的进展,但主要局限于文物基本信息存储以及数量统计等,用于宣传和展览文物为主。对于创意设计领域而言,还没有一个可供设计师使用的文创设计辅助平台,而且传统的文物信息检索能力也很差。因此,本文研究了基于本体的文物知识图谱构建方法,以及基于知识图谱的个性化语义检索模型,并开发了文物知识图谱集成平台,从而帮助设计师更好地进行创意设计。本文具体的研究成果如下:一、文物知识图谱构建技术。本文首先对创意设计的文物知识特征进行了分析;接着针对文物领域的特点,在七步法和骨架法的基础上进行改进,提出了文物本体构建方法;然后利用该方法完成了文物本体的构建;最后基于构建好的文物本体,完成了文物知识图谱的构建。二、面向创意设计的个性化语义检索框架。本文首先研究了基于知识图谱的语义检索模型和基于设计师偏好的兴趣模型构建,接着提出了面向创意设计的个性化排序算法,最后综合这三个模型,提出了面向创意设计的个性化语义检索框架,使系统能够在语义层面理解设计师的检索意图,又能够针对不同的设计师提供个性化的检索服务,同时还能在创意设计层面,激发设计师的创作灵感,增强设计师的用户体验。三、文物知识图谱集成平台构建。基于上述的研究成果,本文设计并实现了文物知识图谱集成平台。平台分为两部分,一是前台展示系统,供设计师进行检索和浏览文物使用;二是后台管理系统,供文博专家进行文物知识的管理。整个系统采用B/S架构,使用开源服务端框架SSI进行开发,界面清爽,简单易用。
基于深度学习的POI推荐算法研究与实现
这是一篇关于POI推荐,长短期记忆网络,神经网络,个性化排序,异地推荐的论文, 主要内容为随着科学技术的不断进步,基于位置的社交网络(LBSNs)也得到了巨大的发展。兴趣点(POI)推荐作为LBSNs的重要任务得到了广泛的关注。POI推荐的作用是根据用户的历史签到记录来为用户推荐可能感兴趣的POI。近年来,深度学习在人工智能的各个领域都取得了重大突破,引领了人工智能领域变革的热潮,也为推荐系统的研究带来了新的机遇。深度学习最近也被广泛地应用到POI推荐系统中,这将极大地改变了传统POI推荐的体系结构,为进一步改善用户体验带来了新的机会。在POI推荐中,数据稀疏问题一直是困扰POI推荐的重要问题。由于用户的历史签到记录具有稀疏性,这使得POI推荐算法很难直接通过用户的历史签到记录了解用户的偏好。在现有的研究之中,普遍通过添加各种附属信息的方式来缓解数据稀疏的问题,比如用户的签到时间、POI的地理位置和用户的社交关系等。但是,他们没有充分的利用用户的负反馈和POI的类别信息。另外,现在交通逐渐便利,人们由于种种原因可能会经常离开自己平时熟悉的区域,去相对陌生的区域进行访问。在陌生区域里,用户的活动记录较少,这就导致了数据稀疏问题变得更为严重。现有的POI推荐算法普遍没有考虑到这种情景。但是,随着社会的进步和交通的便利这种需求变得越来越普遍,这给POI的推荐算法提出了在异地POI推荐场景下,提供高质量的POI推荐的新要求。针对以上的POI推荐的问题,本文从以下两个方面进行研究:(1)提出了一个基于贝叶斯个性化排序和图神经网络的推荐模型,用于POI推荐。具体来说,先用贝叶斯个性化排序生成用户个人偏好和POI的潜在表示。并在负样本抽样中融合了POI类别信息和地理位置信息。然后,用图神经网络和长短期记忆网络(LSTM)分别获取基于地理位置的序列特征和基于POI类别的序列特征。最后,将两个神经网络提取的特征融合在一起,为用户进行推荐。该模型在真实数据集Foursquare上进行了验证。实验结果表明,本文提出的算法能够有效的缓解数据稀疏和冷启动问题,得到良好的推荐性能。(2)针对异地推荐的这一新场景,提出了一种基于流行度特征分析和社交网络的异地POI推荐模型。为了缓解该场景中所面临的数据稀疏和冷启动问题,本文在模型中融入了两种附属信息,社交信息和流行度信息。在融合社交信息时,考虑到用户对朋友的信任程度会受到他们之间的兴趣相似程度的影响。在融合POI的流行度信息时,考虑到流行程度对用户签到的影响会随着时间和与POI的地理位置而发生变化。该模型在真实的数据集Yelp上进行了验证。实验结果表明,本文提出的算法能够有效的缓解异地推荐情景下的数据稀疏问题,使推荐结果能达到较高的精准度和召回率。
基于隐式反馈的视频会议系统推荐方法设计与实现
这是一篇关于推荐系统,隐式反馈,会议系统,个性化排序,协同过滤的论文, 主要内容为现代网民经常会在互联网的海量内容中感到迷失,不知如何寻找自己可能感兴趣的内容。个性化推荐系统能将用户和内容进行匹配,协助用户做出决策,满足用户的信息需求,在互联网+时代发挥了重要作用,并逐渐扩展到了更多应用领域,比如视频会议系统。视频会议系统通过网络音视频提供了远程的实时交流服务,降低了沟通成本,现在开始尝试逐渐从机构用户渗透到个人用户,目标是提供一个沟通的大平台。此时,可以应用推荐技术来帮助用户挖掘他们所喜欢的,想要参与的交流活动。可以注意到,包括视频会议系统在内的绝大多数系统都得不到用户物品评分反馈,只能收集到诸如点击,参与会议这样的隐式反馈。推荐系统也只能借助隐式反馈来对用户偏好进行建模。本文结合了视频会议系统来研究隐式反馈推荐方法,通过分析视频会议系统的反馈数据模式,针对性地进行推荐算法设计,提出融合了隐式反馈和物品本身信息的SimBPR个性化排序推荐算法,并依此设计和构建视频会议系统的推荐模块。文章首先分析了推荐系统和视频会议系统的的历史和发展趋势,然后叙述了现有的隐式反馈推荐算法,共分为单类协同过滤、引入辅助信息推荐和排序学习三类。通过观察业界实践,明确了基于逐对排序学习的算法是最佳方案,据此对贝叶斯个性化排序(BPR)算法通过最大化模型参数的后验概率来进行推荐的原理进行了分析学习,并提出了在分布式系统上实现BPR的方法。鉴于物品内容信息一直是辅助推荐的有效手段,本文使用描述文本代表物品,设计了一种基于语义相似度、关键词相似度、类别相似度的三合一相似度计算方法。随后文章推出比BPR更进一步的偏好假设,认为用户会对和自己以往交互过的物品相似度高的物品更感兴趣,由此根据物品相似度把用户没有交互过的物品集合分为和历史交互物品高相似度和低相似度的两个物品集合,分别称为假反馈集合和缺失反馈集合,并依此改进BPR算法,构建了同时训练真反馈样本和假反馈样本的SimBPR算法。另外,BPR算法的随机样本采样是有优化空间的,本文进而提出正负样本分别基于时间和基于流行度进行采样。观察到业界流行使用大规模上下文辅助信息来对推荐建模,本文还针对视频会议系统设计了可以收集到的上下文特征,包括参会人数和参会用户的好友关系等,并使用因子分解机将其融入个性化排序的底层模型预测器之中,为SimBPR构建了一个新的预测器。随后,文章基于Spark、Hive、HBase等技术来为视频会议系统设计推荐模块。模块设计中把模块分为了离线、近线和在线三个子模块分别负责非实时、准实时和实时的计算任务;在系统中,设计了全量上传和日志上传两种数据采集方式,并依照星型模型设计了数据建模方法。最后,文章详细叙述了每个子模块的设计和实现。第三部分中,文章对SimBPR算法做了离线实验,选取了BPR和AoBPR这样较先进的算法作对对比算法,设定推荐列表长度为5,在两个数据集上分别测试,表明SimBPR在AUC、MAP和NDCG指标上实现了对两种对比算法的超越,进而验证了物品信息对推荐起到的正面作用。实验还测试了假反馈权重和物品相似度计算中的子相似度权重的不同取值对SimBPR性能的影响。
基于深度学习的POI推荐算法研究与实现
这是一篇关于POI推荐,长短期记忆网络,神经网络,个性化排序,异地推荐的论文, 主要内容为随着科学技术的不断进步,基于位置的社交网络(LBSNs)也得到了巨大的发展。兴趣点(POI)推荐作为LBSNs的重要任务得到了广泛的关注。POI推荐的作用是根据用户的历史签到记录来为用户推荐可能感兴趣的POI。近年来,深度学习在人工智能的各个领域都取得了重大突破,引领了人工智能领域变革的热潮,也为推荐系统的研究带来了新的机遇。深度学习最近也被广泛地应用到POI推荐系统中,这将极大地改变了传统POI推荐的体系结构,为进一步改善用户体验带来了新的机会。在POI推荐中,数据稀疏问题一直是困扰POI推荐的重要问题。由于用户的历史签到记录具有稀疏性,这使得POI推荐算法很难直接通过用户的历史签到记录了解用户的偏好。在现有的研究之中,普遍通过添加各种附属信息的方式来缓解数据稀疏的问题,比如用户的签到时间、POI的地理位置和用户的社交关系等。但是,他们没有充分的利用用户的负反馈和POI的类别信息。另外,现在交通逐渐便利,人们由于种种原因可能会经常离开自己平时熟悉的区域,去相对陌生的区域进行访问。在陌生区域里,用户的活动记录较少,这就导致了数据稀疏问题变得更为严重。现有的POI推荐算法普遍没有考虑到这种情景。但是,随着社会的进步和交通的便利这种需求变得越来越普遍,这给POI的推荐算法提出了在异地POI推荐场景下,提供高质量的POI推荐的新要求。针对以上的POI推荐的问题,本文从以下两个方面进行研究:(1)提出了一个基于贝叶斯个性化排序和图神经网络的推荐模型,用于POI推荐。具体来说,先用贝叶斯个性化排序生成用户个人偏好和POI的潜在表示。并在负样本抽样中融合了POI类别信息和地理位置信息。然后,用图神经网络和长短期记忆网络(LSTM)分别获取基于地理位置的序列特征和基于POI类别的序列特征。最后,将两个神经网络提取的特征融合在一起,为用户进行推荐。该模型在真实数据集Foursquare上进行了验证。实验结果表明,本文提出的算法能够有效的缓解数据稀疏和冷启动问题,得到良好的推荐性能。(2)针对异地推荐的这一新场景,提出了一种基于流行度特征分析和社交网络的异地POI推荐模型。为了缓解该场景中所面临的数据稀疏和冷启动问题,本文在模型中融入了两种附属信息,社交信息和流行度信息。在融合社交信息时,考虑到用户对朋友的信任程度会受到他们之间的兴趣相似程度的影响。在融合POI的流行度信息时,考虑到流行程度对用户签到的影响会随着时间和与POI的地理位置而发生变化。该模型在真实的数据集Yelp上进行了验证。实验结果表明,本文提出的算法能够有效的缓解异地推荐情景下的数据稀疏问题,使推荐结果能达到较高的精准度和召回率。
文物知识图谱构建与检索关键技术研究与实现
这是一篇关于文物本体,知识图谱,语义检索,兴趣建模,个性化排序的论文, 主要内容为文物中蕴含了大量的历史、艺术和文化等设计知识,是文化创意产业的一个重要灵感来源。目前的文物数字化工作已经取得了一定的进展,但主要局限于文物基本信息存储以及数量统计等,用于宣传和展览文物为主。对于创意设计领域而言,还没有一个可供设计师使用的文创设计辅助平台,而且传统的文物信息检索能力也很差。因此,本文研究了基于本体的文物知识图谱构建方法,以及基于知识图谱的个性化语义检索模型,并开发了文物知识图谱集成平台,从而帮助设计师更好地进行创意设计。本文具体的研究成果如下:一、文物知识图谱构建技术。本文首先对创意设计的文物知识特征进行了分析;接着针对文物领域的特点,在七步法和骨架法的基础上进行改进,提出了文物本体构建方法;然后利用该方法完成了文物本体的构建;最后基于构建好的文物本体,完成了文物知识图谱的构建。二、面向创意设计的个性化语义检索框架。本文首先研究了基于知识图谱的语义检索模型和基于设计师偏好的兴趣模型构建,接着提出了面向创意设计的个性化排序算法,最后综合这三个模型,提出了面向创意设计的个性化语义检索框架,使系统能够在语义层面理解设计师的检索意图,又能够针对不同的设计师提供个性化的检索服务,同时还能在创意设计层面,激发设计师的创作灵感,增强设计师的用户体验。三、文物知识图谱集成平台构建。基于上述的研究成果,本文设计并实现了文物知识图谱集成平台。平台分为两部分,一是前台展示系统,供设计师进行检索和浏览文物使用;二是后台管理系统,供文博专家进行文物知识的管理。整个系统采用B/S架构,使用开源服务端框架SSI进行开发,界面清爽,简单易用。
基于生成式对抗网络的个性化推荐方法研究
这是一篇关于推荐系统,Top-N推荐,社交推荐,个性化排序,矩阵分解,生成式对抗网络,循环神经网络的论文, 主要内容为互联网技术的发展为人们的生活既带来了便利,也带来了严重的信息过载问题。为解决信息过载问题,个性化推荐系统应运而生。近些年来,深度学习的出现为个性化推荐系统的发展带来了新的契机。作为深度学习领域新兴的算法,生成式对抗网络展现了强大的无监督学习能力,可以很好的解决推荐系统中非线性高维数据分布的拟合问题。同时,生成式对抗网络可以灵活的与其他深度学习模型结合,融合其它模型的优势进行改进。因此本文基于生成式对抗网络提出了三种个性化推荐方法,具体内容如下:1.针对矩阵分解方法非线性数据拟合能力较弱的问题,本文提出一种基于生成式对抗网络的深度矩阵分解方法(Deep Matrix Factorization Based on Generative Adversarial Network,DMF-GAN)。具体来说,首先利用用户的评分信息作为输入数据,使用多层神经网络作为DMF-GAN模型的生成器提取用户特征向量,同时定义一个物品特征矩阵,将用户特征向量和物品特征矩阵的内积作为预测评分。然后DMF-GAN模型的判别器基于重构评分对物品进行离散采样,将采样得到的物品作为判别器输入的负样本,同时将真实物品作为判别器输入的正样本。通过生成器和判别器的动态对抗训练,实现生成器对真实数据样本分布的特征学习。最后,通过在两个公开数据集上进行仿真实验,验证DMF-GAN模型的有效性。2.为了将时间信息融合到评分信息中进一步改善推荐性能,本文提出了一种以生成式对抗网络为基础,融合循环神经网络的推荐方法(Recurrent Adversarial Recommender Network with Time Information,T-RAN)。首先,为了避免物品数量过多带来的维度灾难问题,本文采用词嵌入模型对用户评分信息按照时间顺序进行降维处理;然后,本文采用循环神经网络作为T-RAN模型的生成器提取用户评分的深层特征,通过全连接层预测物品评分。最后,本文采用gumbel-softmax采样方法,以贝叶斯个性化排序模型为判别器,采取逐对训练的方式对生成数据和真实数据进行训练。通过在公开数据集上的仿真实验,证明T-RAN模型可以取得很好的效果。3.为了将社交信息融合到评分信息中,同时解决离散物品采样给对抗训练带来的限制问题,本文提出了一种融合用户社交信息的逐向量推荐方法(Trust-aware Generative Adversarial Network with Recurrent Neural Network for Recommender systems,Tag Rec)。首先,将用户评分数据根据用户信任关系编码为用户信任评分矩阵,对每一个用户计算相似度,从中挑选出与给定用户最相似的多个用户作为输入数据;然后,采用长短期记忆网络作为Tag Rec模型的生成器提取输入数据的深层特征,并使用全连接层预测物品评分;最后,将生成的评分向量和真实评分向量分别作为正负样本送到多层感知机中通过随机梯度下降进行训练。通过在两个公开数据集上的实验结果表明,本文提出的方法优于多个基线方法。
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：毕设驿站 ，原文地址：https://bishedaima.com/lunwen/55617.html
