【摘 要】
：
冷启动问题是推荐系统中长期存在的难题,新用户或新产品出现时,要求在没有历史交互记录的情况下进行个性化推荐。基于协同过滤的推荐算法广泛部署于各类在线平台,而新用户或新产品没有协同信息,因此精准的推测新用户偏好以及表征新产品变得更加困难。鉴于属性信息在大多数在线平台中可获取,传统的冷启动推荐算法通过学习协同信号表征空间和属性表征空间之间的联系来提升性能,但仍然存在一些问题:（1）传统的冷启动推荐方法简
论文部分内容阅读
冷启动问题是推荐系统中长期存在的难题,新用户或新产品出现时,要求在没有历史交互记录的情况下进行个性化推荐。基于协同过滤的推荐算法广泛部署于各类在线平台,而新用户或新产品没有协同信息,因此精准的推测新用户偏好以及表征新产品变得更加困难。鉴于属性信息在大多数在线平台中可获取,传统的冷启动推荐算法通过学习协同信号表征空间和属性表征空间之间的联系来提升性能,但仍然存在一些问题:（1）传统的冷启动推荐方法简单概括空间转换,然后建模协同信号表征空间和属性表征空间之间的关系,这导致难以捕捉两个语义空间之间的复杂高阶关系;（2）传统的冷启动推荐方法通过手动设置模型输出层的学习目标来建模协同信号与属性语义空间的联系,可能导致语义差距过大,忽视了迭代过程中中间层语义空间的联系。针对于上述问题,本文基于图卷积网络和知识蒸馏提出了两种新的冷启动推荐框架,具体包括:（1）提出了一种基于图卷积网络进行知识蒸馏的冷启动推荐方法。鉴于用户-产品交互行为和用户、产品的属性自然地构成了一种异构图结构,该研究针对基于属性的冷启动推荐方法中出现的表征空间转换问题,提出了图卷积蒸馏模型PGD（Privileged Graph Distillation Model）。该模型由两部分构成:1)教师模型由用户-产品-属性异构图组成,其中包括了用户与产品交互记录构成的协同链接,通过融入异构图中复杂的高阶特征以学习更好用户、产品表征。2)学生模型由一个没有协同链接的实体-属性组成。PGD模型通过蒸馏协同信号和图结构的高阶信息以更好的表征新用户和新产品,而不是依赖于简单的空间转换函数。真实数据集上的实验结果验证了提出方法的有效性。（2）提出了一种基于注意力机制进行多层蒸馏的冷启动推荐方法。图卷积网络在更新过程中聚合了不同层次的邻居信息,而PGD模型没有充分蒸馏中间层知识来进一步提高预测准确度。现有多层蒸馏方法大多数需要手动设置蒸馏层匹配和相应的权重,存在语义空间差距大的问题,难以蒸馏图卷积网络不同层次的信息。受到注意力机制的启发,笔者引入注意力机制进行多层蒸馏冷启动推荐,提出了注意力图卷积多层蒸馏模型Att PGD（Attention based Privileged Graph Distillation Model）。该模型通过自动分配不同蒸馏层的权重,以使得多层蒸馏输出知识最大化适用于冷启动推荐预测任务,从而优化对新用户和新产品的推荐性能。真实数据集上的实验结果验证了提出方法的有效性。
其他文献
随着无线网络的飞速发展,移动互联网、物联网以及虚拟现实等各种新兴业务的出现对现有网络环境的时延和可靠性提出了挑战,同时,移动设备的大规模连接也带来了更高的资源需求,计算密集型应用程序和资源受限的移动设备之间的矛盾为获得令人满意的服务质量和服务体验带来了瓶颈。为了能够更好地满足这些新兴业务的需求和特性,推动移动通信网络的发展,设计有效的面向低时延需求的无线资源分配方案已经成为了非常重要的研究课题。本
近三十年来,相干斑抑制方法在合成孔径雷达（SAR:Synthetic Aperture Radar）图像中得到了广泛的应用。SAR图像中斑点噪声的存在严重降低了图像的可解释性,并对后续的目标检测、分类和识别等常见应用产生很大影响。因此,需要采用相干斑消除方法来提高SAR图像的质量。目前,国内外许多学者都致力于SAR图像斑点噪声的抑制,并提出了大量抑制图像斑点噪声的算法。大多数方法都是通过使用过滤窗
呼吸率是衡量人体健康状态的重要生理参数之一,呼吸率检测在医院健康监护、灾害现场伤情判定以及家庭健康监测等场景有着广泛应用。基于视频的呼吸率检测方法成本低廉、拓展性强,已成为人体呼吸率检测领域的研究热点。现有的呼吸率视觉检测方法在人体侧躺、平趴等多种姿态下,难以准确地提取出呼吸信号,不能实际应用于家庭健康监测等场景。因此,多种姿态下的人体呼吸率视觉检测方法具有重要研究价值。针对上述问题,本文具体工作
沉浸式多媒体,包括全景视频和虚拟/增强现实（Virtual Reality,VR/Augmented Reality,AR）视频,最近随着沉浸式应用需求的增加而变得越来越流行。视角（Field of view,FoV）预测作为新兴的VR和AR应用的一个重要组成部分,在全景视频自适应传输中至关重要。目前大多数结合了显著性检测和FoV信息的预测方法既没有考虑到全景视频投影后的失真会使传统卷积网络的权重
基于视频的振动检测技术具有非接触式、低成本以及支持全场测量等优势,在大型建筑的结构安全检测、机械设备的运行状态监测等领域有着广阔的应用前景。固定相机受到部署位置、测量视角等限制,难以实现针对大跨度及高层建筑的振动测量。随着无人机技术的发展,无人机载相机提供了一种更为灵活的视频振动检测手段。然而,在悬停拍摄的过程中,无人机受到环境气流影响会产生随机晃动,进而影响到所采集视频的质量以及最终的振动检测性
近年来,深度学习模型已经在图像分类和目标检测领域取得了丰硕的成果,但在一些特殊场景中受限于无法获得大规模的标注数据,导致算法模型的效果不能得到进一步的提升。因此,利用少量样本数据进行有效的学习,对于研究者们来说是一个非常有价值的研究课题。本文主要围绕小样本条件下的图像分类和目标检测问题,对现有的小样本分类和检测算法模型进行深入的研究。基于这样的思路,本文的主要工作和贡献如下:（1）目前的一些度量学
合成孔径雷达（Synthetic Aperture Radar,SAR）能够全天时、全天候地提供高分辨率的SAR图像,因此广泛用于军事、农业等领域。SAR图像分类是SAR图像的重要应用之一,随着深度学习方法的发展,图卷积网络（Graph Convolutional Network,GCN）促进了SAR图像分类性能的进一步提升,但是SAR图像中存在固有的相干斑噪声,难以获得具有强判别性的特征。论文在
随着互联网技术与移动设备的快速普及,除了传统的“口口相传”的线下教育方式外,在线教育平台因其丰富的教学资源与灵活的学习时间逐渐吸引了广泛的关注。研究者们致力于推动在线教育平台的发展,提出了智能教育系统的概念:智能教育系统能根据每个学生的具体情况及平台的教学资源为每位学生量身定制学习方案并提出学习建议。学生表现预测任务是智能教育系统中的基础任务之一。具体而言,该任务需要智能教育系统通过分析学生的历史
大气偏振模式是天空中的偏振光形成的具有特定规律的偏振态分布,其中蕴含着重要的方向信息,为偏振光导航提供方向基准。人类的肉眼是无法识别偏振光信息,需要通过相应的偏振成像系统。不同偏振成像系统在使用过程中都需要经过相应的标定,来提高偏振测量精度。针对偏振成像系统中还存在影响大气偏振模式测量的因素,本文从不同检偏角的选择、偏振片的初始方向、偏振成像系统测量原理等方面,研究偏振成像系统对大气偏振模式测量的
在人工智能的高速发展下,人们对计算机多模态领域理解能力有更高的要求。面对复杂的现实场景以及背后运行的常识逻辑,计算机需要更高层次的视觉语言理解能力和逻辑推理能力。视觉常识推理（Visual Commonsense Reasoning,VCR）任务是引导模型进行视觉和语言领域任务更高层次的认知水平理解。其中包括三个子任务,即通过问题（Question）预测答案（Answering）Q→A,通过问题和