检索结果-南通市图书馆

融合自注意力机制的多行为图对比学习推荐方法

在线全文

学校读者我要写书评

暂无评论

电子学报 2024年第11期52卷 3684-3698页

作者：钱忠胜黄恒万子珑江西财经大学计算机与人工智能学院江西南昌330013

图卷积网络因其强大的高阶协作信号学习能力被广泛地应用在多行为推荐系统中.然而,目前大多数基于图卷积的多行为推荐方法未能有效建模不同用户/项目节点与各行为间的关系,且目标行为的稀疏性也困扰着多行为推荐算法性能的进一步提升.... 详细信息

图卷积网络因其强大的高阶协作信号学习能力被广泛地应用在多行为推荐系统中.然而,目前大多数基于图卷积的多行为推荐方法未能有效建模不同用户/项目节点与各行为间的关系,且目标行为的稀疏性也困扰着多行为推荐算法性能的进一步提升.基于此,提出一种融合自注意力机制的多行为图对比学习推荐模型(Multi-Behavior Graph Contrastive Learning recommendation method with Self-Attention mechanism,SA-MBGCL).该方法将用户/项目节点嵌入与行为嵌入相结合,并使用自注意力机制增强嵌入表示,以有效建模不同节点与各行为间的依赖关系.同时,构建一种图对比学习方式,将同一用户的目标行为与辅助行为视为正例对,而不同用户的视为负例对,以强化不同用户的行为差异,达到缓解目标行为稀疏性的目的.将非采样的推荐任务与多行为图对比学习进行多任务联合优化,在Beibei与Taobao这2个公开数据集上,和6个单行为模型与10个多行为模型进行对比,结果表明,所提模型SA-MBGCL在HR(Hit Ratio)和NDCG(Normalize Discounted Cumulative Gain)这2个指标上分别平均提升5.21%和8.30%,说明本文方法是有效的.

关键词：自注意力机制图对比学习图卷积网络多任务多行为推荐系统

基于轻量图卷积和注意力增强的多行为推荐模型

在线全文

学校读者我要写书评

暂无评论

计算机应用研究 2022年第6期39卷 1753-1759页

作者：高钰澜黄贤英陶佳重庆理工大学计算机科学与工程学院重庆400054

近年来,图卷积网络被广泛应用于多行为推荐中,以进一步缓解数据稀疏问题。但目前许多方法都是直接使用图卷积网络,使得模型时间复杂度较高,还忽略了邻域的不同聚合权重和各行为对用户偏好的不同贡献。为此,提出一种基于轻量图卷积和注... 详细信息

近年来,图卷积网络被广泛应用于多行为推荐中,以进一步缓解数据稀疏问题。但目前许多方法都是直接使用图卷积网络,使得模型时间复杂度较高,还忽略了邻域的不同聚合权重和各行为对用户偏好的不同贡献。为此,提出一种基于轻量图卷积和注意力增强的多行为推荐模型(MB-LGCA)。首先根据多行为数据构建用户—项目二部图,采用一种轻量图卷积网络聚合邻域特征获得高阶协同信息,同时利用注意力机制融入邻域权重,增强节点嵌入表示;利用k-阶用户嵌入传播来获取各行为对用户偏好的不同重要性,使模型具有更好的可解释性;最后合并不同层的嵌入表示进行预测。两个真实数据集上的实验结果表明,该模型具有较好的性能。

关键词：推荐系统图卷积网络注意力机制多行为

融合QPSO思想的多行为蚁群算法在QoS路由问题上的应用

在线全文

学校读者我要写书评

暂无评论

微电子学与计算机 2008年第11期25卷 55-58页

作者：张凌毛力江南大学信息工程学院江苏无锡214122

在解决QoS(quality of service)单播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法(QP-SO)思想的多行为蚁群算法.该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路... 详细信息

在解决QoS(quality of service)单播路由问题上,针对蚁群算法缺点,提出了一种融合量子粒子群算法(QP-SO)思想的多行为蚁群算法.该算法采用QPSO作为前期搜索,根据各粒子历史最优值来初始化路径信息素浓度,后期利用多行为蚁群算法来优化路径.仿真结果表明:该算法寻优能力强,可靠性高,是解决QoS路由问题的有效方法.

关键词： QoS 量子粒子群多行为蚁群算法单播路由

在线全文

学校读者我要写书评

暂无评论

基于图神经网络的多行为推荐系统模型研究

基于图神经网络的多行为推荐系统模型研究

作者：杨晨南京邮电大学

学位级别：硕士

在电子商务、社会媒体等领域迅速发展的今天,推荐系统已经成为非常热门且重要的应用之一,个性化的推荐旨在根据用户的兴趣偏好为用户提供合适的项目,其相关技术也引起学术界和工业界的广泛关注。协同过滤作为构建推荐模型的范式,可以从... 详细信息

在电子商务、社会媒体等领域迅速发展的今天,推荐系统已经成为非常热门且重要的应用之一,个性化的推荐旨在根据用户的兴趣偏好为用户提供合适的项目,其相关技术也引起学术界和工业界的广泛关注。协同过滤作为构建推荐模型的范式,可以从收集到的用户历史行为数据中学习用户的兴趣偏好从而进行高效推荐。但大多数现有的协同过滤推荐方法都只关注单一类型的交互信息,忽略了用户行为的多样性,从而很难跨越不同类型的交互行为捕获到用户项目间的异构关系,同时也未考虑到用户项目之间的高阶连通性,这种高阶连通性对于编码协同信号至关重要。近年来,由于图神经网络在图结构数据上表现出优秀的处理能力而备受关注,推荐系统中的绝大部分数据本质上可以视为图结构数据。因此,本文将图神经网络技术与多行为推荐任务相结合提出两种基于图神经网络的多行为推荐模型,用于预测用户对项目的兴趣偏好进而提高推荐的准确性。本文研究内容和主要贡献如下:(1)针对大多数现有的推荐方法仅关注用户项目之间单一类型的交互信息,本文通过构造异构图来表示用户和项目间的多行为数据,并提出一种考虑多行为增强信息的加权图卷积网络推荐模型(Multi-Behavior Weighted Graph Convolutional Network,MBWGCN)。该模型首先设计了具有多行为感知的图卷积神经网络(Graph Convolutional Network,GCN)嵌入传播层,将用户、项目和连边关系联合嵌入,利用图中节点间的高阶连接,捕获多行为交互中潜在的协同信号。同时考虑到不同行为对用户的影响程度不同,设置传播权重区分不同行为的重要性。其次设置项目关联性提取模块来建模项目间的相关性从而捕获多行为语义,增强对项目嵌入的学习能力。最后联合更新后的节点和关系的嵌入表示以及交互项目间的相关性评分得到最终预测分数。本模型在两个公开数据集上进行了大量的实验,实验结果充分验证了MBWGCN模型的有效性。(2)考虑到用户的兴趣本质上是动态变化的,会受其历史序列行为的影响,因此多行为往往表现出时间依赖性。为了更精准地捕捉用户的偏好,联合MBWGCN提出了跨结构多行为对比推荐模型(Cross-Structure Multi-Behavior Contrastive Learning for Recommendation,C-MBR)。该模型同时考虑基于图的全局结构和基于序列的局部结构信息,多种结构互相补充,从不同的方面捕获用户的兴趣偏好。具体来说,在不同行为子图下,模型采用对应的编码器得到全局结构和局部结构下的用户、项目单行为嵌入表示,然后,构建多行为融合模块分别对不同结构下的单行为嵌入表示进行融合,得到全局和局部结构下的用户、项目最终表示。为了进一步提高推荐的准确性,C-MBR还包括了两个对比学习任务,分别对不同行为和不同结构(局部/全局)间的共性进行建模,以提高嵌入表示的质量,同时可以缓解数据稀疏的问题。最后通过推荐任务损失函数和对比损失函数共同优化模型。实验结果表明,C-MBR模型在两个公开的数据集上超越所有基线方法,取得了最佳的性能,验证了C-MBR模型的优越性。

关键词：推荐系统多行为图卷积神经网络高阶图结构对比学习

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于关联时间的多行为注意力推荐方法

基于关联时间的多行为注意力推荐方法

作者：曲明月黑龙江大学

学位级别：硕士

大数据时代带来了信息的爆炸性增长,用户面临着海量、多样的信息源。然而,由于时间和认知资源的有限性,个体用户难以有效地处理和利用这些信息,造成了信息过载问题。因此,衍生出推荐系统。神经网络在个性化推荐系统中广泛应用,特别是在... 详细信息

大数据时代带来了信息的爆炸性增长,用户面临着海量、多样的信息源。然而,由于时间和认知资源的有限性,个体用户难以有效地处理和利用这些信息,造成了信息过载问题。因此,衍生出推荐系统。神经网络在个性化推荐系统中广泛应用,特别是在协同过滤方面。神经网络能够学习到用户-项目之间的复杂非线性关系。传统的协同过滤方法通常基于用户行为或物品属性的相似性,而神经网络可以引入更多的隐含特征,从而更好地捕捉用户和物品之间的关系。传统方法通常关注用户的单一行为,如点击或购买。然而,用户在平台上可能有多种交互行为,如点击、浏览、收藏、购买等。虽然很多研究也集中在多行为建模上。但是,目前依然有三个重要挑战:(1)传统的推荐系统往往忽略了用户多重行为上下文信息,即用户在平台上的不同交互行为之间的关联性。这导致在识别用户行为依赖关系时存在挑战,因为每种行为可能受其他行为的影响。(2)在训练推荐系统时,通常存在着监督信号稀疏的问题。与用户行为相关的标签数据相对较少,导致模型的学习受限,难以准确地捕捉用户的动态兴趣变化。(3)时间因素在用户行为中起着关键作用,影响用户的长期和短期兴趣。以往的研究通常没有充分利用时间因素,导致模型无法有效地捕捉用户行为的动态变化。为了解决这些问题,本文提出了基于关联时间的多行为注意力推荐方法,包括关联时间的多行为交互序列推荐,关联时间的多行为交互图推荐和基于频域的多行为序列和多行为图对比学习推荐。对于第一个问题,引入了关联时间的多行为交互序列依赖,注意力编码器的引入意味着模型使用到不同行为之间存在的关联性和相互影响。这种考虑使得模型更有能力捕捉用户行为序列中的复杂模式,提高了对用户兴趣变化的敏感性,为了更好地训练模型,采用了序列的对比学习。对比学习是通过将正样本和负样本进行对比。关联时间机制允许模型应用到时间因素的关键性,不仅在短期内捕捉用户行为的即时变化,还能够识别和建模用户行为的长期趋势。这有助于更全面、准确地捕捉用户的长期和短期兴趣。对于第二个问题,引入关联时间的多行为交互图依赖,采用了注意力编码器,该编码器的引入使得模型能够更加专注地建模用户行为图中不同行为之间的依赖关系。通过注意力机制,模型可以有选择性地关注具有更大影响的行为,从而更全面地捕捉用户与项目之间的复杂关系。为了更好地训练模型,采用了图的对比学习。对比学习是通过将正样本和负样本进行对比,以更好地学习模型参数的方法。这种方法有助于提高模型的泛化能力和训练效果。对于第三个问题,是一个基于频域的多行为序列和多行为图对比学习推荐方法,为了处理序列和图的频域特征。通过傅立叶方法对序列和图进行处理,模型能够更好地捕捉在频域上存在的模式。这对于理解多行为序列和图的特征变化非常关键,因为不同频率上的模式可能反映了不同时间尺度上的用户行为变化。因为对比学习方法是自监督学习方法中的其中一种方法,所以在训练过程中采用了多行为序列和多行为图的数据增强后的结果进行对比学习,通过将正样本与负样本进行对比,使模型能够更好地学习频域上的特征,提高推荐系统的性能。在Tmall和CIKM2019 EComm AI数据集上进行了大量实验,在Tmall和CIKM2019 EComm AI数据集中NDCG@10分别能达到0.2185和0.2283,Hit@10分别能达到0.3469和0.3926,MRR@10分别能达到0.1786和0.1987,AUC@10分别能达到0.6986和0.7299,实验结果表明该方法相对于最先进的多行为推荐方法具有显著的优势,表明该方法具有更广泛的适用性和泛化能力。

关键词：推荐系统多行为行为依赖时间关联

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合多行为和特征增强的推荐方法研究

融合多行为和特征增强的推荐方法研究

作者：高钰澜重庆理工大学

学位级别：硕士

在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买)... 详细信息

在互联网时代,人们可以更加方便快速地获取各种信息,互联网上的数据呈指数级增长。推荐系统在解决信息过载问题上起到了重要作用,能够帮助用户从海量数据中找到他们感兴趣的内容。传统的推荐模型通常只考虑一种行为(如电商平台中的购买),由于用户只交互了大量项目中的一小部分,导致数据极其稀疏。因此,仅利用单一行为的推荐模型在交互数据有限的情况下,不能很好地捕获用户偏好。但是其他类型的用户行为也可以提供非常有价值的信号,例如点击、加入购物车等。多行为推荐旨在利用多种类型的用户-项目交互数据来学习用户偏好,能够有效缓解传统推荐模型中的数据稀疏问题。针对现有多行为推荐存在的问题,本文旨在设计更准确的推荐模型,提升用户体验。本文的研究内容如下:(1)由于图卷积网络处理图数据具有明显优势,已被广泛应用于多行为推荐领域。然而图卷积过程中的特征变换和非线性激活函数不仅对推荐性能没有积极作用,反而增加了模型的训练难度。同时,在邻居聚合过程中没有区别不同邻居对目标节点的影响,不能更加准确地学习节点的嵌入表示。并且多行为推荐中忽略了每个用户不同行为的重要性。针对上述问题,本文提出了一种联合轻量图卷积网络和注意力增强的多行为推荐模型。首先利用一种轻量图卷积网络在用户-项目交互图上挖掘用户和项目之间的高阶协同信息。同时利用注意力机制计算邻居节点的权重,从而有效地区分邻居节点的不同重要性。在k-阶用户嵌入传播中计算用户不同行为的重要性,提高模型的可解释性。实验结果表明,该模型性能优于比较的基线模型。(2)上述方法只关注了用户和项目之间的交互,忽略了用户和项目的属性信息,不能更加精确地反映用户的偏好和意图。在实际的推荐场景中,存在着大量的用户和项目的属性信息,它们能够为建模用户偏好和项目特征提供额外的丰富信息。并且还忽略了交互的时间顺序,无法捕捉到用户的动态兴趣。针对上述问题,本文提出了一种融合时间和属性信息的多行为推荐模型。为了进一步挖掘用户的潜在偏好和动态兴趣,引入了用户和项目的属性信息以及交互的时间信息。在用户-项目交互图中执行时间注意力嵌入传播,同时利用时间注意力学习基于时间的邻居权重,挖掘用户动态偏好。在用户-项目-属性交互图中执行属性注意力嵌入传播,通过属性注意力计算属性的不同重要性。最后结合两部分的嵌入表示进行预测。实验结果表明,该模型性能优于比较的基线模型。

关键词：推荐系统多行为图卷积网络属性信息注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

考虑任务协作的煤矿掘进多行为协同控制方法

内蒙古煤炭经济 2024年第23期 64-66页

作者：李文杰国家能源集团宁夏煤业有限责任公司红柳煤矿

为提升煤矿掘进作业协同性和工作效率，本文探讨考虑任务协作的煤矿掘进多行为协同控制方法。首先，计算掘进配套设备的最优能耗值，分析多设备协同掘进最优方案，建立多行为并行协同控制作业模型。基于掘进行为事件定义与设备并行时间... 详细信息

为提升煤矿掘进作业协同性和工作效率，本文探讨考虑任务协作的煤矿掘进多行为协同控制方法。首先，计算掘进配套设备的最优能耗值，分析多设备协同掘进最优方案，建立多行为并行协同控制作业模型。基于掘进行为事件定义与设备并行时间序列，规划协同控制时间关系矩阵，优化设备协同控制流程。并以某煤矿采区东翼边界泄水巷进风巷工程项目为研究对象，进行仿真实验分析，结果表明，该研究方法对煤矿多行为协同控制运行响应时间更短，并行作业路线与实际规划路线相差更小，设备性能更稳定，为煤矿掘进多行为协同控制技术深化研究提供有力支持。

关键词：任务协作煤矿掘进多行为多设备协同控制

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

行为增强的多层次协同Top-N推荐

哈尔滨工程大学学报 2024年第6期45卷 1119-1126页

作者：刘宇鹏吕衍河哈尔滨理工大学计算机科学与技术学院黑龙江哈尔滨150001

传统推荐系统只利用单一用户行为,然而用户行为间是具有关联性,忽视用户行为会丢失辅助行为对目标行为的影响。本文提出了一种行为增强的多层次协同Top-N推荐,在推荐二分图和元路径图上利用注意力机制传播信息,学习多层次高阶和异质协... 详细信息

传统推荐系统只利用单一用户行为,然而用户行为间是具有关联性,忽视用户行为会丢失辅助行为对目标行为的影响。本文提出了一种行为增强的多层次协同Top-N推荐,在推荐二分图和元路径图上利用注意力机制传播信息,学习多层次高阶和异质协同信号(包括用户-项目间的和项目间的)以提高推荐性能,这样可以更好地利用推荐图结构,并充分考虑到推荐图结构上各种行为间的相互影响。在经典数据集上做了全方位实验验证模型有效性,在电商推荐数据上取得了很好效果。

关键词：辅助行为多行为图神经网络元路径图用户-项目传播层目标行为高阶异质信号

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于异构图的双通道交叉自适应对比学习推荐

电子学报 2023年第7期51卷 1929-1938页

作者：范伟周魏文俊浩重庆大学大数据与软件学院重庆400044 信息物理社会可信服务计算教育部重点实验室(重庆大学) 重庆400044

通过用户多行为进行推荐任务中,各个行为通常不是独立作用的,行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模,反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性(heterogeneity).针对上述问... 详细信息

通过用户多行为进行推荐任务中,各个行为通常不是独立作用的,行为之间的协同作用和依赖关系挖掘更能增强用户行为模式建模,反映用户偏好.而用户多行为关系的引入也会增加用户物品交互图与表征空间中的异质性(heterogeneity).针对上述问题,本文设计了一种基于异构图的双通道交叉自适应对比学习推荐模型MB-DCAC(Multi-Behavior Recommendation through Dual-channel Cross-Adaptive Contrast learning),创新性的从异构数据卷积过程构建对比学习方案,并基于异构连接进行表征属性增强,以提升模型挖掘用户行为模式与表达能力.实验结果表明,本文模型在Tmall、IJCAI-Context、Beibei三个数据集上,相较于基准模型在HR@10指标上分别提升了16.7%、18.3%、2.76%.且模型在挖掘多行为之间的依赖挖掘等任务上表现优异.

关键词：推荐系统多行为异构图对比学习行为依赖异质性