-
题名融合改进图卷积的跨模态检索
- 1
-
-
作者
张宏图
化春键
蒋毅
俞建峰
陈莹
-
机构
江南大学机械工程学院
江苏省食品先进制造装备技术重点实验室
江南大学物联网工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第11期95-104,共10页
-
基金
国家自然科学基金(62173160)。
-
文摘
针对现有跨模态检索在公共子空间度量时难以充分挖掘模态内局部一致性的问题,提出了一种融合改进图卷积的跨模态检索方法。为了提升各模态内的局部一致性,以单个完整样本为节点构建模态图,充分挖掘特征间的交互信息;为了解决图卷积网络只能做浅层学习的问题,采用在每一层图卷积添加初始残差链接和权重恒等映射的方法来缓解此现象;为了通过高低阶邻居信息共同更新中心节点特征,提出减少邻居节点、增加图卷积网络层数的改进;为了学习高度局部一致且语义一致的公共表征,共享公共表征学习层权重,并联合优化公共子空间中模态内的语义约束和模态间的模态不变约束。实验结果表明,在Wikipedia和Pascal sentence这两个跨模态数据集上,不同检索任务的平均mAP值比11种现有方法分别提升了2.2%~42.1%和3.0%~54.0%。
-
关键词
图卷积网络
跨模态检索
初始残差连接
恒等映射
邻接矩阵
-
Keywords
graph convolution network
cross-modal retrieval
initial residual connection
identity mapping
adjacency matrix
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度图神经网络的协同推荐算法
被引量：10
- 2
-
-
作者
潘润超
虞启山
熊泓霏
刘智慧
-
机构
中国地质大学(武汉)数学与物理学院
-
出处
《计算机应用》
CSCD
北大核心
2023年第9期2741-2746,共6页
-
基金
国家自然科学基金资助项目(12001408)
湖北省教育厅科学技术研究项目(B2018541)。
-
文摘
针对现有基于图神经网络(GNN)的推荐算法面临的过平滑的问题,提出一种基于深度GNN的协同过滤推荐算法Deep NGCF(Deep Neural Graph Collaborative Filtering)。该算法在GNN中引入初始残差连接和恒等映射,避免了GNN进行多次图卷积运算后陷入过平滑。首先,通过用户和项目的交互历史得到它们的初始嵌入;其次,在聚合传播层利用初始残差连接和恒等映射得到用户和项目的不同阶协同信号;最后,对所有协同信号进行线性表示以得到预测评分。此外,在初始残差连接和恒等映射中设置比重进行调节,从而进一步提高模型的灵活性和推荐性能。为验证Deep NGCF算法的可行性和有效性,在Gowalla、Yelp-2018与Amazon-Book数据集上进行实验。实验结果表明,相较于图卷积矩阵补全(GCMC)、神经图协同过滤(NGCF)等现有的GNN推荐算法,Deep NGCF算法取得了最高的召回率和归一化折损累计增益(NDCG),验证了所提算法的有效性。
-
关键词
推荐算法
协同过滤
图神经网络
恒等映射
初始残差连接
-
Keywords
recommendation algorithm
collaborative filtering
Graph Neural Network(GNN)
identity mapping
initial residual connection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
