【摘 要】
：
在机器人流程自动化(Robotic Process Automation,RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务.然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用.为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时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,共同构建完整的用户
【机 构】
：
国电南瑞科技股份有限公司,江苏 南京 211000
论文部分内容阅读
在机器人流程自动化(Robotic Process Automation,RPA)软件中,经常采用序列推荐系统让机器人完成判断、选择等人工处理的任务.然而常用的序列推荐系统受限于序列信息的提取困难等问题,难以得到广泛应用.为了解决这一问题,构建一种基于Inception的卷积序列推荐模型,把时间和潜在空间中的用户行为序列信息嵌入进一幅“图像”中,并通过动态和静态2种不同的卷积层提取其中的局部特征,全面地提取用户的短期兴趣偏好,同时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,共同构建完整的用户兴趣偏好,提升推荐性能.通过在3种公开数据集Mov-ieLens 1M、Gowalla、Steam上分别进行实验,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3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
人工神经网络(ANN)已被应用于获取布里渊光时域分析仪(BOTDA)所测的布里渊频移信息(BFS),然而其存在易陷入局部最优和收敛速度慢等缺点.为了克服上述缺点,本文提出一种基于WOA优化人工神经网络(WOA-NN)快速获取布里渊光纤传感器BFS的方法;随后通过设计非线性收敛因子a,进一步构建基于非线性WOA优化的神经网络(NWOA-NN)用来提取BFS.将提出的2种网络与经典ANN、粒子群优化神经网络(PSO-NN)、遗传算法优化神经网络(GA-NN)等模型进行比较,实验结果表明,本文所提出的WOA-N
针对基于传统LDA主题模型的标签生成算法对用户兴趣主题描述不完整的问题,提出一种基于主题嵌入表示的微博用户标签生成算法TopicERP.该算法在LDA模型的基础上,通过引入Word2vec词嵌入模型,对用户兴趣主题进行全面描述,并对匹配度计算方法进行改进.首先利用LDA主题模型对用户微博进行主题分析,生成用户兴趣主题;然后利用Word2vec词嵌入模型将主题文本转换为主题向量,用于匹配度计算;最后,利用余弦相似度和主题在文档中的条件概率,计算主题向量与候选标签匹配度,选取Top-Q的候选标签作为目标用户标
为了提高人体姿态估计的准确率和识别速度,提出一种基于通道切分的人体姿态估计算法Channel-Split Residual Steps Network(Channel-Split RSN).首先,提出通道切分模块,对切分后的特征通道通过卷积提取特征再融合起来,以获得丰富的特征表示.接着,引入特征增强模块,对特征通道进一步分组,并对不同的分组采取不同的处理策略,以减少特征通道内的相似特征.最后,结合改进的空间注意力机制,提出一种基于特征空间相关性的姿态修正机Context-PRM,得到更加准确的人体姿态估计
机载激光雷达能够及时准确地获取大量具有精确三维位置信息的三维点云数据,在数字城市、森林防火、智能交通等领域有着广泛的应用.城市中心区域的三维点云数据往往会因为高大树木或植被的遮挡,造成建筑物等人造目标识别特别困难.本文通过直接的二次多项式拟合方式提取高大树木等植被与建筑物目标典型局部区域的区域信息,构建区域目标敏感的结构特征,进而,通过模糊逻辑即可完成三维点云数据的建筑物目标敏感的分类任务.实验结果表明,该方法能够快速有效地实现较大尺度范围内LiDAR点云数据的分类,具有较好的应用前景和推广能力.
电力信息系统应用智能电网来管理电力设备.随着社会用电总量的增加和智能电网的推广与发展,电力网络的规模逐渐变大且管理复杂,然而,保障电力信息系统的安全是重要的.网络入侵检测技术可以有效避免来自网络的入侵行为和攻击,进而保障系统的安全.本文采用深度强化学习方法中的Dueling-DDQN算法解决网络中存在的入侵检测问题,智能体根据试错式的学习获得奖赏值来训练算法以提高网络入侵检测的效率且同时降低人工成本.最后使用NLS-KDD数据集进行对比实验,实验结果表明基于Dueling-DDQN的网络入侵检测算法可以提
由于密度不同的雨对图像造成的遮挡不同,图像去雨一直都是一项极具挑战性的任务.目前,基于深度学习的图像去雨算法已经成为主流.然而,多数深度学习的架构都是通过堆叠卷积层来设计的,执行去雨任务后图像仍存在着大小不一的雨痕,这些方法并不能很好地关注训练中雨图的局部信息和上下文信息.为了解决上述问题,本文设计一种基于多通道分离整合的卷积神经网络用于图像去雨.第一步通过通道分离,再利用卷积层间的层级连接,构成多尺度模块,最终将不同通道的输出进行整合.该模块可以增大感受野,探索特征图之间的空间信息,更好地提取特征.第二
针对苹果栽培品种识别分类问题,提供一个包含多个苹果果树品种的叶片图像原始数据集,并且研究构建一种新的深度卷积神经网络分类模型,对其分类准确性、泛化性能和稳定性进行对比验证,以期对苹果栽培品种简便、快速、准确的识别分类提供理论依据和技术支持.以甘肃省平凉市静宁县果树果品研究所苹果良种苗木繁育基地作为实验基地,在其中选取14个苹果果树品种.每个品种选取10棵左右树龄、树势、长势都存在差异的果树,采摘100片左右成熟的、无机械损伤的叶片,然后拍摄叶片图像建立数据集,进而利用卷积神经网络训练识别分类模型.本文针对
视频快照压缩感知基于压缩感知理论,仅在一次曝光过程中将多帧画面投影至二维快照测量,进而实现高速成像.为了从二维快照测量信号恢复出原视频信号,经典的重建算法基于视频的稀疏性先验进行迭代优化求解,但重建质量较低,且耗时过长.深度学习因优异的学习能力而受到广泛关注,基于深度学习的视频快照压缩重建方法也得到关注,但现有深度方法缺乏对于时空特征的有效表达,重建质量仍有待进一步提高.本文提出视频快照压缩感知重建的多尺度融合重构网络(MSF-Net),该网络从横向的卷积深度和纵向的分辨率2个维度展开,分辨率维度利用三维
电网工程图纸矢量化识别是实现电网领域基础图纸数字化的一种重要技术途径.由于电网中的电气元件类别多,其中部分图像背景模糊,电气元件的旋转角度不一致,从而对图纸中的电气元件的识别造成一定挑战.本文提出一种基于深度学习中Faster RCNN网络架构的电气元件识别和训练方法,将需要训练的样本数据进行预处理和特征提取,在预处理过程进行平滑去噪、二值化、分割等操作,在特征提取过程采用VGG16网络,利用深度学习方法对电网图元进行识别.在包含9类电网图元的真实数据集上的实验结果表明,本文方法对电网工程图纸中的电气元件
针对紧凑型卷积神经网络在部署现有注意力机制存在计算量或参数开销大的问题,提出一种改进的超轻量化子空间注意模块.首先,深度连接的子空间注意模块(Deep Connected Subspace Attention Mechanism,DCSAM)划分特征图为若干特征子空间,为每个特征子空间推导不同的注意特征图;其次,改进特征子空间进行空间校准的方式;最后,建立前后特征子空间的连接,实现前后特征子空间的信息流动.该子空间注意机制能够学习到多尺度、多频率的特征表示,更适合细粒度分类任务,且与现有视觉模型中的注意力