【摘 要】
：
现实生活中的推荐系统经常面临这样的问题，仅基于短时会话(session)的数据(例如小型新闻网站)，而不是长期的用户记录(例如淘宝、京东等)进行推荐。在这种情况下，常用的矩阵分解方法是不准确的。近来，循环神经网络(Recurrent Neural Network, RNN)被广泛应用在基于序列数据的推荐中，但是RNN在基于序列数据的推荐中也有其不足，因为其仅仅考虑了序列中的时序信息，而没有考虑其他
论文部分内容阅读
现实生活中的推荐系统经常面临这样的问题，仅基于短时会话(session)的数据(例如小型新闻网站)，而不是长期的用户记录(例如淘宝、京东等)进行推荐。在这种情况下，常用的矩阵分解方法是不准确的。近来，循环神经网络(Recurrent Neural Network, RNN)被广泛应用在基于序列数据的推荐中，但是RNN在基于序列数据的推荐中也有其不足，因为其仅仅考虑了序列中的时序信息，而没有考虑其他信息(比如用户偏好信息、物品之间的关联、数据中的时长信息)。
为了弥补RNN的一些缺点，本文采用了混合推荐方法，将物品之间的关联考虑在内。通过基于物品的协同过滤(Item-based Collaborative Filtering, Item-based CF)推荐算法的思想，计算序列数据中的相似度，并将相似度信息整合到现有的RNN网络中，从而提升RNN的整体性能。经分析，Item-basedCF的相似度无法很好地嵌入到RNN单元。而现有的混合策略中只有并行式混合可以只对推荐的结果进行混合，其他混合策略均需要算法之间存在一定的耦合性。并行式混合策略包含交叉式、切换式、加权式及动态加权式混合，由于序列数据推荐中RNN的推荐结果远优于Item-basedCF，故放弃交叉式混合，采用其余的方法作为本文的混合方法。
实验采用RecSysChallenge2015数据集，通过Item-basedCF得到物品间的相似度，而RNN经过网络训练得到拟合后的网络模型，最后利用混合推荐方法得到推荐结果。实验采用召回率(RECALL)和平均倒数排名(Mean reciprocal rank, MRR)作为评估的指标，结果表明，所提出的方法改进了网络的性能。
其他文献
随着全球互联网发展的加速，产生了海量蕴含丰富关系信息的文本数据，自动分类文本中的实体关系变得尤为重要。传统关系分类方法依赖大量标注数据且难以泛化到新关系类别中，而少样本学习则能够通过学习少量标注样本，快速在新类别上泛化，少样本关系分类因此开始受到学界关注。 深入研究了现有少样本关系分类算法并分析了各自优劣，其中图神经网络(Graph Neural Network, GNN)模型能较好地在支持集与
流表更新在软件定义网络(Software Defined Network, SDN)中是十分频繁的，若不能保证流表规则的一致性更新，则可能导致网络中出现黑洞、传输环路、链路拥塞等情况，从而影响网络的性能。如何进行流表的一致性更新以确保数据包在更新期间的正常传输一直都是被广泛研究的问题。现有研究方案有的不能同时保证更新过程无黑洞、无环路、无链路拥塞，有的则太过于复杂会影响更新时间，有的则会消耗额外的
对于智能手机平台上的增强现实应用，结合手势这种直观的交互方式能给用户带来更自然的操作体验，对增强现实技术的发展很有意义。然而受限于手机的硬件性能和单目摄像头等条件，目前在安卓平台下还没有一套成熟且完备的解决方案来实现基于手势交互的增强现实系统。 本文设计并实现了一个应用在安卓平台上基于手势交互的增强现实系统，主要解决了手部位姿估计和动态手势识别两个技术难点，结合手势交互模块，实现了根据用户手势控
随着现代应用程序复杂度的不断提高，大规模的数据计算对程序和编程框架的并行性和可扩展性的要求越来越高。数据流编程语言COStream使用特定的文法描述计算任务，编译后将各任务均匀划分至不同的核上，能充分发挥多核平台的性能。但目前COStream语言的文法在编译阶段存在移入归约冲突，导致对运算符优先级的解析存在错误，且缺少内置的矩阵运算接口，影响了COStream数据流编程模型的可用性和易用性。 针
近些年来，物联网技术的飞速发展已经使得人、机、物三者的融合共生成为了一种不可逆转的趋势。人机物融合应用的发展现如今还面临着诸多挑战，如何在边缘场景下进行高效的资源调度是其中的关键问题之一。边缘场景下的人机交互应用会产生大量的数据，如果选择不在网络边缘侧处理这些数据，数据的传输过程将会给网络带宽带来极大的负担，同时数据传输所带来的高网络延迟也会让一些延迟敏感应用的使用体验感大大降低。但在网络边缘处理
移动边缘计算作为边缘计算的一种实现形式，其在一定的程度上有效的弥补了云计算在实时性处理、带宽占用以及数据隐私安全方面的不足，并且在人机物融合应用方面具有十分良好的前景。但是，由于边缘计算所依赖的边缘设备本身所固有的携带能量有限、计算能力有限、存储能力有限的局限性，边缘计算在应用的过程中往往面临着各种各样的挑战。 针对移动边缘计算场景下，边缘设备接入接出灵活的特点，以及由边缘设备接入接出所引发的边
近年来，知识图谱由于其表达丰富信息的能力及其在基于知识的推理中的潜力而受到了广泛的关注。例如，它们可以协助(与移动服务中的用户关联，切换策略和流量内容)相关的深入知识发现。知识图谱嵌入可以将知识图谱中的实体和关系投影到密集且低维的向量中，并通过这种方式有效地测量复杂的语义信息以及这些实体之间的关系。但是，传统的知识图谱嵌入方法仅考虑知识图谱中的直接事实，在面对稀疏数据时，很难实现对实体和关系的合理
在如今的大数据时代，智慧城市的理念与建设蒸蒸日上，作为和谐社会的安全保障，监控摄像头可谓随处可见。监控视频下的行人属性识别通过统计整合信息实现对行人的信息结构化，这对于智能安防、刑事侦查、广告精准投放等领域具有至关重要的作用和意义。但是由于监控视频场景复杂，而且行人属性类别间的相关性和属性类别与空间位置间的关联较难挖掘，行人属性识别任务仍具有挑战性。 本文提出的基于语义分割的行人属性识别方法，针
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
随着直播行业的迅猛发展，观看直播成为了大量用户的主要文娱活动之一。但是各大直播平台的相互独立性一方面影响了用户体验，一方面难以满足相关部门的监管需求，将各大直播平台动态聚合成为必要。直播平台自身发展的过程中，平台内部也遇到了信息过载的问题，而直播背景下的推荐不同于电影视频等推荐，具有时效性、隐蔽性和不确定性的特征，更为重要的是直播平台在迅速扩张过程中引入的新用户与主播会加剧推荐系统中的冷启动问题，