【摘 要】
：
序列推荐是推荐系统领域近几年来新兴起的一个研究热点,与传统的推荐系统利用用户的长期兴趣偏好进行推荐不同,序列推荐考虑到用户的兴趣会随着时间的变化而发生改变,依靠用户与项目交互而产生的序列信息动态地构建用户的兴趣偏好,可以更为精确的完成对用户的推荐任务。目前,提取用户行为序列信息的方法有很多种,最为新颖的一种是在时间和潜在空间中将用户的行为序列信息嵌入进一幅“图像”中,利用卷积神经网络中的卷积滤波器
论文部分内容阅读
序列推荐是推荐系统领域近几年来新兴起的一个研究热点,与传统的推荐系统利用用户的长期兴趣偏好进行推荐不同,序列推荐考虑到用户的兴趣会随着时间的变化而发生改变,依靠用户与项目交互而产生的序列信息动态地构建用户的兴趣偏好,可以更为精确的完成对用户的推荐任务。目前,提取用户行为序列信息的方法有很多种,最为新颖的一种是在时间和潜在空间中将用户的行为序列信息嵌入进一幅“图像”中,利用卷积神经网络中的卷积滤波器提取其中的局部特征,但是,这种方法存在一定问题,现有的卷积网络要么不能很好地将序列信息提取出来,要么容易陷入过拟合。为此,借鉴了Inception网络的设计思想,构建了基于Inception的卷积序列推荐模型。该推荐模型通过设立动态卷积层和静态卷积层两种不同的卷积网络层,更加全面地对提取用户的短期兴趣偏好,并且将用户嵌入矩阵作为用户的长期兴趣偏好嵌入到卷积层的输出中,构建完整的用户兴趣偏好,基于此完成对用户的推荐。通过在三种公开数据集MovieLens 1M,Gowalla,Steam上分别进行实验,并与其他基准模型进行对比,验证了基于Inception的卷积序列推荐模型的性能优于最新的序列推荐模型,在Top-N序列推荐的三种评价指标中（精确率,召回率,平均AP值）,平均提升幅度在10%左右,单个指标上的最大提升幅度为14%。
其他文献
人群统计研究发展至今,针对该项研究已提出多种优秀的统计模型,由刚开始的网络层数较浅、训练参数较少的轻量级网络到现在的网络层数较深、训练参数较多的重量级网络,不同的统计模型具有不同的优点,同时其缺点也不可忽略。网络层数浅、训练参数少的轻量级网络易于训练,且在稀疏人群场景下人群统计效果较好,而当场景人群密集时,其统计效果较网络层数深、训练参数多的重量级网络而言相去甚远。而重量级网络因其参数较多、较为笨
随着云计算的发展,容器已广泛使用在应用的部署当中。与硬件级别的虚拟化技术不同,容器没有额外的硬件抽象,可直接访问物理硬件。硬件抽象的舍弃带来了性能上的提升,但也对容器的隔离性提出了巨大的挑战。由于容器与宿主机共享操作系统内核,致使正确的可用资源信息无法暴露给程序,运行于容器中应用会因此产生错误的运行时决策,带来性能上的下降。在申威硬件平台上,尽管容器在深度容器管理平台的协助下能够正常运行,但是因隔
图像拼接技术的研究和应用目前取得了很大的进展,但是在现有的视差图像拼接算法中,依然存在着边缘鬼影和结构破坏两种问题,严重影响了视差图像拼接质量。因此,对于图像拼接中的边缘鬼影和结构破坏抑制方法的研究具有重要的价值与意义。边缘鬼影的问题出现在基于网格优化的视差图像拼接算法中,尤其是当图像中存在物体边缘深度变化明显的情况下,如何赋予深度不同物体上的特征点,具有明显差异的局部单应性计算权重,正是抑制边缘
燃气资源的经营关系着国家能源安全、经济发展以及政治等因素,政府和社会在采取宏观调控和干预措施的同时,也对企业的经营自主权造成了一定程度的限制。D公司作为燃气工程企业是本市公共产业中的重要部分,D燃气施工企业的经营具有公用性特点,与广大人民群众的切身利益息息相关。在激烈竞争时代下,D燃气施工企业等国有企业面临改革以及市场竞争的挑战,需要通过内部改革实现效率的提高和业绩的提高。本文以燃气工程企业D公司
近年来,推荐系统得到迅速发展,在工业界和学术界均受到极大关注。目前有许多推荐系统的解决方案,比较传统和经典的是协同过滤推荐算法。基于模型的推荐算法也是一大类,其中,注意力机制的方法能将焦点放在最能够体现用户兴趣偏好的特征上,能较好的捕捉用户兴趣的动态性和多样性,所以基于注意力机制进行推荐算法研究具有很大的意义。为了证明注意力机制在处理短期会话时相比DNN、RNN具有更好的效果,首先研究一种基于短期
随钻核磁测井仪的井下电路始终处在高温恶劣的地下环境,极易发生故障,如不能及时更换电路板,会造成较大的经济损失,这就需要及时发现故障来源并进行电路板更换。同时,考虑到钻铤内部空间狭窄,安装成本较高,维护困难,应尽量减少故障检测传感器的使用。基于上述需求,本文提出了一种基于电源端口EMI信号非侵入式监测的故障检测方法,这一方法将单一检测电路接入电源控制电路的电压输出端口,通过采集并处理端口输出的电压信
储层总有机碳含量预测可用于储层含油气水平及生烃潜力评估,对非常规油气勘探和开发具有重要意义。然而传统的储层总有机碳含量预测方法通常存在测井数据信息提取能力差、预测精度有限等问题。为解决上述不足,本文以储层总有机碳含量为研究对象,从数据处理角度出发,利用机器学习理论方法,分别从提升测井数据质量、测井特征优选、总有机碳含量预测精度改善的角度,系统地开展测井数据驱动总有机碳含量预测方法研究,重点解决测井
近年来,云计算发展迅速,已成为互联网行业构建基础设施的利器。云的弹性灵活不仅能节约资源,而且能支撑业务快速发展。因此开发云服务,整合产品资源解决用户使用成本高、研发团队重复建设等问题成为必要。本课题通过整合算法资源,实现了面向计算机视觉应用的云服务系统,为用户提供优秀的产品解决方案。为了承载不断扩张的需求带来的计算压力,更好、更快、更强地开发运维系统服务,本课题提出采用消息中间件与容器虚拟化等关键
随着计算机技术的不断发展,互联网已经成为了人们日常生活中不可分割的一部分。一些大型网站提供不间断的服务,每天巨大的访问量给系统的正常运行带来了严峻的挑战,单个服务器已经不能满足企业的需求。为了满足系统支持高并发、低延迟的需求,许多大型网站的后端系统采用了服务器集群的方式,而不再是单一的服务器。通过集群内服务器节点的协同合作,提供稳定的服务。但这种方式带来了一个新的问题,服务器集群可能会出现负载不均