检索结果-南通市图书馆

深度矩阵分解算法及其在图像聚类中的应用研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

深度矩阵分解算法及其在图像聚类中的应用研究

作者：黄昊楠广东工业大学

学位级别：硕士

图像聚类一直是人工智能领域中一个热门的研究主题,其主要任务是将数据划分为多个不同的类别。由于非负矩阵分解算法在图像数据聚类上取得了良好的表现,近二十年来,非负矩阵分解算法受到了研究人员的广泛关注。非负矩阵分解主要是将输... 详细信息

图像聚类一直是人工智能领域中一个热门的研究主题,其主要任务是将数据划分为多个不同的类别。由于非负矩阵分解算法在图像数据聚类上取得了良好的表现,近二十年来,非负矩阵分解算法受到了研究人员的广泛关注。非负矩阵分解主要是将输入的数据矩阵分解为两个带非负约束的子因子矩阵,它能提取到局部的图像特征,具有良好的聚类解释性。然而随着大数据时代的到来,现实生活中采集到的图像数据复杂度越来越高,其中通常包含大量隐藏的层次信息,难以被传统单层的非负矩阵分解算法处理。随着深度学习的发展,研究者们发现多层结构的深度矩阵分解算法具备挖掘数据层次信息的能力,主要体现在不同的矩阵分解层能聚类到不同的数据特征,学习到更具有表征能力的数据低秩表示,在处理聚类任务上有明显的提升。因此深度结构的矩阵分解算法及其应用,近年来已成为新的研究热点。本文首先阐述了非负矩阵分解算法和图像聚类的研究背景及意义,综合地分析了深度矩阵分解模型与图像聚类的研究现状,并指出了现有的深度矩阵分解模型存在的问题,设计了相应的解决思路与方法。本文的主要贡献为:(1)针对现有的深度半非负矩阵分解算法无法利用数据的流型结构信息、聚类能力不足的问题,我们考虑了图约束正则化技术,通过利用K近邻方法对输入的数据矩阵构造图拉普拉斯矩阵,并将该图矩阵约束于低秩表示矩阵的学习中,使得学习到的低秩表示矩阵能有效地保留原始数据矩阵中的流型结构信息,以此提高聚类效果。其次,针对现有的深度矩阵分解算法难以保证收敛性的问题,我们利用了前向后向算法来优化图约束的深度半非负矩阵分解模型,同时理论分析了其收敛性,证明了所提出的算法生成的序列,能稳定下降并收敛到严格点。通过在四个图像的数据集上的实验,对比了三种常用的矩阵分解方法,我们的方法都能取得最好的聚类效果。(2)针对现有的深度矩阵分解方法在处理多视角图像聚类任务中无法充分利用数据特性的问题,我们提出了部分共享结构的深度矩阵分解框架,将表示矩阵分为公共部分与独立部分,能同时挖掘多视角数据的一致性与互补性信息,使得学习到的低秩表示矩阵信息更加丰富,能提高聚类效果。其次,现有的深度矩阵分解多视角方法都是无监督模型,无法考虑已知信息,针对这类问题,我们加入了标签回归技术,充分地利用了已知的标签信息,构造了半监督的深度矩阵分解模型。此外,我们还引入了自权重和图约束技术,进一步提高了模型的聚类性能。在四个经典的多视角图像数据集上,分别对比了无监督和半监督的经典聚类算法,我们的方法都取得了最好的表现。

关键词：图像聚类多视角图像聚类非负矩阵分解深度矩阵分解图约束

基于深度矩阵分解和时间感知的开源项目推荐研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度矩阵分解和时间感知的开源项目推荐研究

作者：杨欢重庆大学

学位级别：硕士

近年来,随着开源社区的发展与普及,开发人员通常会在社区中寻找相关的软件项目来制作项目原型或者用新特性来增强自己的软件项目。然而,随着开源项目托管平上承载的软件项目不断增加,开发人员很难快速寻找到满足需求或感兴趣的软件项目... 详细信息

近年来,随着开源社区的发展与普及,开发人员通常会在社区中寻找相关的软件项目来制作项目原型或者用新特性来增强自己的软件项目。然而,随着开源项目托管平上承载的软件项目不断增加,开发人员很难快速寻找到满足需求或感兴趣的软件项目。因此,如何从众多的项目中为用户过滤出真正有价值的项目,并将其精确的推荐地开发人员至关重要。现阶段在开源项目推荐领域的研究虽然能基本满足开发人员的项目需求,但仍存在一些问题:如基于项目内容的推荐算法忽视了开发人员的个性化需求;传统协同过滤方法难以应对开源项目场景下的数据稀疏问题等。除此之外,多数开源项目的推荐方法忽略时间因素,以及传统时间衰减或遗忘函数等时间表现函数难以真实反应开源项目中的时间影响等问题也亟待解决。针对上述问题,本文以用户的各种行为数据为基础,利用深度矩阵分解模型,充分地挖掘用户潜在的兴趣偏好,并通过融合动态的时间信息和相对稳定的用户关系,提升推荐算法的推荐质量。本文的主要工作如下:(1)以GitHub个性化项目推荐为实际应用场景,收集和整理了GitHub上特定的行为数据,对收集的所有用户数据进行了清洗和筛选。(2)针对现有开源项目推荐方法中个性化不足且传统协同过滤技术对于用户行为数据的挖掘能力欠佳的问题,提出了一种基于用户行为和深度矩阵分解的推荐方法。首先对用户行为数据进行权重转换,得到用户-项目行为矩阵;然后使用深度神经网络对用户和项目向量进行隐藏特征提取;最后计算用户和项目特征相似度,预测用户的潜在偏好,从而产生高质量的个性化推荐方案。(3)针对用户关系的稳定性和用户兴趣随时间变化的特性,提出了一种基于时间比重的混合推荐算法。首先在基于用户行为的深度矩阵分解模型中加入时间比重,反映用户的动态兴趣变化;然后根据用户之间的相似度和相关度,提取用户关系,使用基于用户相似度和相关度的协同过滤方法预测评分;最后将两种方法的预测值进行融合,提高预测的准确度。(4)在上述研究的基础上,设计并实现了一个基于深度矩阵分解和时间感知的项目推荐原型系统。

关键词：开源项目推荐深度矩阵分解用户行为时间感知

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度矩阵分解的混合推荐算法

基于深度矩阵分解的混合推荐算法

作者：李金红西安建筑科技大学

学位级别：硕士

21世纪是互联网快速发展的时代。在这个阶段,网络平台上的数据呈现出疯狂增长的趋势,人们更容易获取丰富信息的同时,也需要利用大量时间和精力寻找自己感兴趣的信息,进而引发了“信息过载”问题。为了方便、准确地选出用户所感兴趣的信... 详细信息

21世纪是互联网快速发展的时代。在这个阶段,网络平台上的数据呈现出疯狂增长的趋势,人们更容易获取丰富信息的同时,也需要利用大量时间和精力寻找自己感兴趣的信息,进而引发了“信息过载”问题。为了方便、准确地选出用户所感兴趣的信息、商品等,智能化推荐算法应运而生。传统矩阵分解采用双线性映射,破坏了原始数据的结构。因此引入深度神经网络,采用非线性映射,减少了对数据的破坏,提高了推荐算法的性能。但融入了神经网络的推荐算法仍然存在数据稀疏性高、冷启动等问题。针对这些问题,本文在深度矩阵分解的基础上进行改进,提出了基于补全的深度矩阵分解的混合推荐算法。首先,提出融合矩阵补全与深度矩阵分解的混合推荐算法。通过核函数最小化模型将原始矩阵中的未知元素进行填补;再利用深度学习模型分别构建用户和项目潜在特征向量。其次,提出结合低秩矩阵拟合与深度矩阵分解的混合推荐算法。利用低秩矩阵拟合对缺失数据进行补全,并得到两个隐特征矩阵;再将隐特征矩阵作为深度神经网络的输入,建立非线性映射。最后,提出基于k-means聚类和奇异值分解预填充的自适应深度矩阵分解算法。对用户矩阵和项目矩阵分别聚类,再使用SVD对聚类后的矩阵进行分解,得到填充后的两个矩阵;再对数据预处理,通过多层维数不同的神经网络,进行评分的预测。对上述的三种混合推荐算法在公开数据集上进行测试,结果表明:这三种混合算法不仅缓解了冷启动和数据集中高维稀疏数据的影响,而且与深度矩阵分解相比,所提算法显著地提高了推荐系统的性能。

关键词：推荐系统深度矩阵分解矩阵补全低秩矩阵拟合 k-means聚类

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

融合矩阵补全与深度矩阵分解的推荐算法

计算机应用研究 2021年第8期38卷 2376-2380页

作者：史加荣李金红西安建筑科技大学理学院西安710055

深度矩阵分解采用深层非线性映射,从而突破了矩阵分解中双线性关系影响推荐系统性能的瓶颈,但它没有考虑用户对未评分项目的偏好,且对于稀疏性较高的大规模数据其推荐性能不具有优势,为此提出一种融合矩阵补全与深度矩阵分解的推荐算法... 详细信息

深度矩阵分解采用深层非线性映射,从而突破了矩阵分解中双线性关系影响推荐系统性能的瓶颈,但它没有考虑用户对未评分项目的偏好,且对于稀疏性较高的大规模数据其推荐性能不具有优势,为此提出一种融合矩阵补全与深度矩阵分解的推荐算法。首先通过矩阵补全模型将原始评分矩阵中的未知元素进行填补,然后依据补全后的矩阵,利用深度学习模型分别构建用户和项目潜在向量。最后,在MovieLens和SUSHI数据集上进行测试,实验结果表明,与深度矩阵分解相比,所提算法显著地提高了推荐系统的性能。

关键词：推荐系统深度矩阵分解矩阵补全矩阵分解深度学习

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度矩阵分解的短视频多标签分类研究

基于深度矩阵分解的短视频多标签分类研究

作者：洪道政天津大学

学位级别：硕士

近年来,短视频由于其易于传播、内容丰富、播放时长短等特点,迎合了人们快节奏的生活方式,成为最受欢迎的新兴媒体之一。针对海量短视频资源进行智能化分析技术,已成为进一步提升短视频服务质量和构建创新应用模式的关键。但短视频时长... 详细信息

近年来,短视频由于其易于传播、内容丰富、播放时长短等特点,迎合了人们快节奏的生活方式,成为最受欢迎的新兴媒体之一。针对海量短视频资源进行智能化分析技术,已成为进一步提升短视频服务质量和构建创新应用模式的关键。但短视频时长较短,需要挖掘短视频内部的潜在信息,才能更好的进行多标签分类。为此,本文引入深度矩阵分解技术,希望能获得短视频在复杂结构数据上高级语义表征,从而解决短视频多标签分类的问题。为了获取低维的潜在信息和样本特征与类别特征之间的互补关系,本文提出了一种低秩正则化协同深度矩阵分解算法。该算法将样本特征和类别特征协同分解为两个系列的基矩阵和对应的重构特征,在协同分解的过程中低秩的约束被施加在样本特征和类别特征的重构特征上,用来消除其间的冗余信息。为了增强判决性信息的学习,算法还构造了一个联系样本特征、类别特征和标签的三元约束项。最后在大规模的短视频数据库上进行了实验测试,验证了该方法的有效性。为了同时挖掘样本特征和标签的深层次表征,本文提出了一种基于样本特征域和标签域的双向深度矩阵分解算法,该算法分别对样本特征和样本标签进行纵向深度矩阵分解,来获取特征的潜在信息以及标签的细粒度表征。在双向分解的过程中,对各层重构特征和生成标签进行低秩约束以去除冗余信息。最后,通过一个基于类别间关联度学习的三元约束项来建立各层重构特征与生成标签之间的联系。在大规模短视频数据库上的实验测试,该算法在m AP、One Error、Coverage、Ranking loss性能方面相比经典算法有大幅提升。

关键词：短视频多标签分类深度矩阵分解低秩表征

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

结合用户评论的深度矩阵分解模型

结合用户评论的深度矩阵分解模型

作者：杜俊博华中科技大学

学位级别：硕士

随着互联网技术的迅速发展,大数据时代下信息过载的问题日益严重。能够提供个性化信息服务的推荐系统成为解决上述问题的主要技术,而其中的矩阵分解模型因其简单高效且准确度高得到了广泛的关注。传统的仅使用用户对商品评分信息的矩阵... 详细信息

随着互联网技术的迅速发展,大数据时代下信息过载的问题日益严重。能够提供个性化信息服务的推荐系统成为解决上述问题的主要技术,而其中的矩阵分解模型因其简单高效且准确度高得到了广泛的关注。传统的仅使用用户对商品评分信息的矩阵分解模型及其他协同过滤方法容易受到评分稀疏的影响而效果不佳。现实生活中,广泛存在于网络且容易获取的用户评论能一定程度反映用户的喜好和被评论商品的特征,因此结合评论文本的个性化推荐算法的研究为评分矩阵稀疏问题提供了一个有效的解决途径。受到Bias SVD思想的启发,采用深度矩阵分解模型的网络框架,结合用户评分及评论信息,提出了一种新的深度矩阵分解模型DMFCUR。该模型利用多层前馈神经网络从评分矩阵中学习到用户喜好和商品特征,利用带注意力机制的卷积神经网络从评论文本中学习到用户偏置和商品偏置,进而获得用户和商品对应的隐语义向量,然后将隐语义向量的乘积作为评分的预测值从而实现个性化推荐。同时通过形式化的说明解释了DMFCUR模型是Bias SVD的一种神经网络实现方式,为其有效性提供了理论依据。最后,在真实数据集上开展了大量的实验,结果表明提出的模型在数据十分稀疏的数据集上表现优于现有主流的方法。

关键词：个性化推荐神经网络深度矩阵分解带偏置的矩阵分解隐语义模型

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度矩阵分解的推荐系统研究

基于深度矩阵分解的推荐系统研究

作者：薛洪见南京大学

学位级别：硕士

在当前信息化时代,由于信息的大量产生导致了信息爆炸,因而引起了信息过载,这是人们需要面对的一个困境。推荐系统通过根据用户的需求来个性化地满足用户的需要,成为缓解这一状况的有力工具。因为它可以快速地将信息生产者生产的信息展... 详细信息

在当前信息化时代,由于信息的大量产生导致了信息爆炸,因而引起了信息过载,这是人们需要面对的一个困境。推荐系统通过根据用户的需求来个性化地满足用户的需要,成为缓解这一状况的有力工具。因为它可以快速地将信息生产者生产的信息展现到需要它的信息消费者面前,从而实现信息生产者和信息消费者的双赢。现在,在电子商务、信息分发、音乐视频等等信息技术行业发挥着重要的作用,例如:淘宝上的商品推荐、今日头条上的新闻推荐、网易云音乐上的音乐推荐等等。传统的推荐算法大体可以分为协同过滤算法、基于内容的推荐算法和混合推荐算法。其中被广泛使用的是协同过滤算法,根据已产生的用户与物品之间的交互记录来提取用户的行为偏好,根据提取出的模式来为用户做推荐,在协同过滤算法中,矩阵分解一直是研究的前沿。基于内容的推荐是根据用户已交互的内容的属性信息来推荐具有相似属性的内容,所以有一个很好的特点就是可以对推荐做出解释,更让用户信服。混合推荐算法是融合用户与物品的各种信息如性别、年龄、地区、文本、图像、标签等等这些多源异构信息（Side Information）来进行推荐,可以有效缓解冷启动和数据稀疏问题。本文对于神经网络在推荐系统上的应用进行研究,特别专注于神经网络应用于矩阵分解。针对现有模型的问题如:表示能力有限、无法有效应对稀疏数据集等,本文对其进行了研究,提出了以下解决办法:1.针对于模型表示能力有限和无法有效应对稀疏数据集的问题,提出深度矩阵分解模型（Deep Matrix Factorization,DMF）,根据用户的历史打分信息构造包含显式打分和隐式反馈的输入,使用多层次非线性变换来将用户和物品映射到同一个深度结构化语义空间,使得在这个空间中可以使用余弦函数来计算用户和物品之间交互的可能性,根据预测出的交互的可能性来进行推荐。2.针对于交叉熵损失函数未考虑打分高低对于全局的影响的问题,设计了一个新的损失函数,规范化交叉熵损失函数（Normalized Cross Entropy,NCE）,实验中也证明了 NCE的有效性。3.针对于DMF中用户（物品）对于不同物品（用户）状态始终不变的问题,提出了基于注意力的深度矩阵分解（Attention based Deep Matrix Factoriza-tion,AttnDMF）,结合注意力机制的特点,使得用户（物品）对于不同的物品（用户）所展现的状态有所不同,从而使得AttnDMF更具有个性化,获取更好的推荐效果。对于本文提出的深度矩阵分解模型、规范化交叉熵损失函数和基于注意力的深度矩阵分解模型,其相关的原理和实现公开在①。本文在多个数据集上进行了广泛的实验,证明其可以获得更好的效果,同时也分析了它们对于超参数的敏感性。

关键词：神经网络推荐系统协同过滤矩阵分解深度矩阵分解规范化交叉熵损失函数基于注意力的深度矩阵分解注意力机制

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度图正则化矩阵分解的多视图聚类算法

智能系统学报 2022年第1期17卷 158-169页

作者：刘相男丁世飞王丽娟中国矿业大学计算机科学与技术学院江苏徐州221116 徐州工业职业技术学院信息与电气工程学院江苏徐州221400

针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过... 详细信息

针对现实社会中由多种表示或视图组成的多视图数据广泛存在的问题,深度矩阵分解模型因其能够挖掘数据的层次信息而备受关注,但该模型忽略了数据的几何结构信息。为解决以上问题,本文提出基于深度图正则化矩阵分解的多视图聚类算法,通过获取每个视图的局部结构信息和全局结构信息在逐层分解中加入两个图正则化限制,保护多视图数据的几何结构信息,同时将视图的权重与特征表示矩阵进行结合获得共识表示矩阵,最大化视角间的互补性,保证数据的一致性和差异性。除此之外,本文使用迭代更新变量的方法最小化目标函数,不断优化模型并进行收敛性分析。将本文算法和多个算法在三个人脸数据集和两个图像数据集上运行,通过多项指标的对比可以看出本文提出的算法具备良好的性能表现。

关键词：多视图聚类深度矩阵分解几何结构图正则化矩阵分解多视图表示学习层次结构信息深度学习

基于矩阵分解的circRNA-疾病关联预测

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于矩阵分解的circRNA-疾病关联预测

作者：陈慧广东工业大学

学位级别：硕士

随着生物信息学的发展,具有共价闭环结构的circ RNAs已经被证实在各种生物过程中扮演着重要的角色。Circ RNAs参与有机过程,其紊乱和突变可导致疾病的发展。因此,预测与疾病相关的circ RNAs可以促进生物标志物的鉴别和疾病的预防和治疗... 详细信息

随着生物信息学的发展,具有共价闭环结构的circ RNAs已经被证实在各种生物过程中扮演着重要的角色。Circ RNAs参与有机过程,其紊乱和突变可导致疾病的发展。因此,预测与疾病相关的circ RNAs可以促进生物标志物的鉴别和疾病的预防和治疗。然而,circ RNA在疾病发病和进展中的功能和分子机制尚不清楚。关于circ RNA-疾病关联的研究主要依赖生物实验,而生物实验是耗时且昂贵的。因此,迫切需要一种计算方法来推断潜在的circ RNA-疾病关联。近几年以来,一些将矩阵分解方法与深度矩阵分解相结合的方法已经被提出。但相当数量的相关生物数据没有得到充分的利用,其改进的空间仍然很大。为了充分利用相关生物数据,以及深度矩阵分解算法的应用在预测潜在的circ RNA-疾病关联上得到更好的表现,本文提出了一种基于多源融合深度矩阵分解方法来预测潜在的circ RNA-疾病关联（DMFMSF）。DMFMSF首先选择了几个有用的circ RNA和疾病的相似性信息,然后通过相似性核融合（SKF）进行整合。此外,通过加权K近邻（WKNKN）来消除缺失的未知关联对该方法的影响。最后,通过使用奇异值分解（SVD）和深度矩阵分解来挖掘线性和非线性特征,推断潜在的circ RNA-疾病关联。在两个基准数据集上,DMFMSF的性能通过留一验证法（LOOCV）和五折交叉验证法（5折CV）进行了严格的评估。对于LOOCV,DMFMSF对这两个基准数据集的AUC值分别为0.945和0.938。对于5折CV,DMFMSF对这两个基准数据集的AUC值分别为0.920±0.001和0.912±0.002。实验结果表明,DMFMSF优于现有的几种计算方法。此外,五种重要的疾病,即肝癌、乳腺癌、急性骨髓性白血病、结直肠癌和冠状动脉疾病被应用于案例分析。结果表明,DMFMSF可以作为预测circ RNA-疾病关联的准确而有效的计算工具。注意力机制的优势是可以在深层框架内被用来确定重要因素而忽略不可用因素,使用注意力机制替代深度矩阵分解方法对DMFMSF模型进行进一步优化,从而得到新模型DMFMSF-X。通过LOOCV和5折CV来评估模型性能。对于LOOCV,DMFMSF-X对这两个基准数据集的AUC值分别为0.949和0.941。对于5折CV,DMFMSF-X对这两个基准数据集的AUC值分别为0.923±0.001和0.915±0.001。结果表明,改进模型DMFMSF-X的性能优于比DMFMSF。此外,DMFMSF-X的案例分析表明,该方法在预测宫颈癌、肺癌和胶质瘤相关的circRNAs方面是有效的。

关键词： circRNA 疾病相似性核融合深度矩阵分解注意力机制