【摘 要】
：
近年来,人们对利用注意力机制从历史行为中获取用户兴趣的深度兴趣模型给予了广泛的关注。然而,目前大多数结合注意力机制的模型只考虑用户行为的顺序,忽略了用户历史行为的时间因素。对于下一项推荐任务,这里有以下三个观察结果:（1）用户的个性化兴趣与用户历史行为的时间因素有关;（2）用户的个性化兴趣是动态发展的,而不是静态的,一成不变的;（3）用户的短期兴趣在下一项预测/推荐中起重要作用。这些结果也与人们的
论文部分内容阅读
近年来,人们对利用注意力机制从历史行为中获取用户兴趣的深度兴趣模型给予了广泛的关注。然而,目前大多数结合注意力机制的模型只考虑用户行为的顺序,忽略了用户历史行为的时间因素。对于下一项推荐任务,这里有以下三个观察结果:（1）用户的个性化兴趣与用户历史行为的时间因素有关;（2）用户的个性化兴趣是动态发展的,而不是静态的,一成不变的;（3）用户的短期兴趣在下一项预测/推荐中起重要作用。这些结果也与人们的日常行为模式相一致。针对上述观察到的问题,本文做了如下工作:第一,基于传统序列推荐的深度兴趣模型,本文提出了用于下一项推荐的时间感知兴趣演化模型。模型使用了一种新的时间感知的注意力机制,并在此基础上,提出了一种改进的Attention-GRU方法（简称ATT-GRU）,该方法将外部输入和注意力得分添加到模型兴趣演化过程中,通过捕捉不同时间维度交互影响下的相对于目标项目的用户个性化兴趣,建模时间感知的用户个性化兴趣演化过程。第二,用于下一项推荐的时间感知兴趣演化模型考虑了用户长期兴趣的迁移以及周期性,但是缺少了用户的短期兴趣关注。本文继续提出了长短期时间感知兴趣模型。此模型使用了新的时间感知的位置编码方法,获得了时间感知的用户序列嵌入表示,并分别建模用户的长期兴趣表示和短期兴趣表示,从而得到用户个性化的长短期兴趣表示。最后模型对注意力机制影响下的用户兴趣发展过程进行建模,来获得相对于目标项目的用户个性化的兴趣表示。本文所提出的两个模型,使用了不同的方法来获得与时间因素密切相关的用户个性化兴趣表示,可以更好的表示用户兴趣,提高下一项推荐的性能。为了验证所提出的两个模型的有效性,本文在亚马逊的两个公开数据集上进行了大量实验,结果表明,此文章所提出的方法的有效性超过了许多先进的基线。
其他文献
视网膜是眼睛内部的重要组成结构,视网膜血管的异常变化与眼部疾病和部分全身性疾病息息相关。分析视网膜血管系统的特征不仅有利于疾病的诊断和治疗,而且对维护人体眼部健康和提高患者生活质量具有重要价值与意义。光学相干断层扫描血管造影（Optical Coherence Tomography Angiography,OCTA）是一种新型的、非侵入性的成像技术,在无需造影剂的情况下即可生成各个视网膜层和脉络膜
自卷积神经网络提出以来,计算机视觉有了巨大的发展,各种深度学习网络被提出,广泛用于高效处理图像数据。应用深度神经网络分析点云,学习点云特征的方法自然出现了,但是直接使用处理二维图像数据的方法处理三维数据并不可行,通过多层感知器提取点云数据的有效特征便成为了一个常用的方法。然而这种方法并没能够充分利用点云的层次化特征。在点云的层次化的过程中,常常经过分组和采样的操作,使得点云可以按照全局和局部两种方
三维点云的表面重建,指通过输入无序的三维点云数据,生成与之对应的、紧凑的、流形的、水密的网格模型。三维点云的表面重建,可应用于CAD/CAM,虚拟游戏人物、物体、场景等的快速建模,在智慧城市、游戏、电影、动画等领域有较高的应用价值。点云表面重建的主流方法有:基于构建点云表面隐式函数,根据隐式函数采用移动立方体（Marching Cubes）提取等值面,生成网格模型的表面重建算法;使用三角剖分,生成
与图像这类具有规则形状的数据相比,点云这类不规则结构数据还没有一个基于深度学习公认有效的特征提取方式。点云内数据点的邻居选择对局部特征提取所造成的影响是一个值得讨论的问题,然而该问题却未被专门研究过。另外,点云数据中若存在噪声,则会在利用特征进行点云识别、分割、重建等任务时产生较大误差。基于自然语言处理领域中被广泛使用的注意力机制,结合自然邻居搜索算法,本文提出一种全新的点云特征提取网络模型。该网
数字孪生（Digital Twin,DT）技术从现实世界的驾驶数据中提取测试场景,被认为是智能网联汽车（Intelligent Connected Vehicle,ICV）道路测试的有效解决方案。如何从真实驾驶数据中提取并识别关键测试场景成为研究热点。本文以此问题展开研究,提出了新的DT测试场景选择方法。考虑了碰撞风险、交通因素,定义了三类典型应用场景——前向碰撞预警（Forwarding Col
交通事故风险预测是智能交通领域的重要研究课题,其预测准确度将直接影响道路交通安全水平。交通事故成因复杂,但均呈现出时间相关性和空间相关性,基于此展开研究,具有很好的理论和应用价值。本文在分析事故数据的时间相关性和空间相关性基础上,提出了一种基于时空注意力机制的交通事故风险预测方法,该方法融合空间距离特征和视觉相似特征以捕获交通事故数据高度动态的时空相关性。主要内容如下:（1）分析交通事故数据的时间
动作识别作为计算机视觉中重要的组成部分,几十年来得到了广泛的研究。人体动作识别技术已广泛应用于智慧安防、人机交互、虚拟现实和机器人技术等领域。得益于骨架数据在动态环境和复杂背景下的鲁棒性,近来涌现了许多基于骨架数据的动作识别算法。受限于深度学习网络的结构,卷积神经网络（CNNs）适合处理网格式数据,循环神经网络（RNNs）擅长建模序列数据,而为非结构化数据而提出的图神经网络（GNNs）成为了处理骨
随着智能/辅助/自动驾驶技术的飞速发展,当前汽车配备大量传感器,拥有强大的感知、存储和通信能力,其中出租车、滴滴等智能网联汽车具有城市覆盖规模大和粒度细、以及可用的空闲时间充足等优点,从而为实现智慧城市大规模、细粒度、低成本的感知提供重要机会。因此,本文以智能网联汽车为研究对象,重点研究面向大规模智慧城市的群车感知（Vehicular Crowd-sensing）的三大核心关键问题,即如何激励汽车
由于人工智能算法的迅速发展,卷积神经网络（Convolutional Neural Networks,CNN）模型通过专用硬件加速平台逐渐应用于嵌入式等环境,但是需要设计相应的深度学习编译器才能充分发挥出硬件的性能。目前国内对面向CNN专用加速器的深度学习编译器的研究还比较少,模型在部署方面还存在很多挑战。首先,随着CNN算法的发展,跨层次跳跃连接（Skip Connect）等复杂网络结构层出不穷
近年来,强化学习算法已经广泛应用于实际应用中,解决决策与控制等复杂问题,如自动控制、电子游戏、机器人、智能电网和推荐系统等。但是,大多数强化学习方法从零知识状态开始训练一个智能体,需要庞大的数据、时间和计算资源。同时,在现实应用中,学习的计算成本随着任务的复杂度呈指数增加。因此,设计高效的强化学习算法,减少对数据及计算资源的依赖一直是强化学习中最具挑战性的问题之一。一种可行的方法是利用从相关任务中