检索结果-维普期刊中文期刊服务平台

语义图增强与自适应特征补全的多模态推荐: 1; 作者超木日力格何明鑫马丽艳《北京师范大学学报(自然科学版)》北大核心 2025年第3期307-316,共10页; 提出了一种集成高阶语义增强与自适应模态特征的多模态推荐(MMSAF)模型,通过该模型中所采用的图卷积神经网络(graph convolutional neural network,GCNN)进行高阶语义增强,以捕捉用户和项目之间更深层次的关联关系,从而更精准地反映用... 展开更多; 关键词多模态推荐图神经网络自适应特征融合高阶关系建模语义增强; 在线阅读下载PDF 职称材料

融合图神经网络的多模态微视频推荐算法: 2; 作者王子文游进国 +1 位作者胡荣笙贾连印《小型微型计算机系统》北大核心 2025年第4期825-832,共8页; 现有多模态图神经网络推荐算法在进行多模态融合时,普遍使用图神经网络提取的节点特征进行融合,而未考虑到全局图结构信息和模态信息对融合的影响;并且现有的多模态融合方法大多只考虑模态间的差异,而忽视了模态内部的情况.对此,本文提... 展开更多; 关键词多模态推荐系统多模态融合图卷积神经网络对比冲突融合; 在线阅读下载PDF 职称材料

基于多模态融合的图神经网络推荐算法被引量：3: 3; 作者吴志强解庆 +1 位作者李琳刘永坚《计算机工程》 CSCD 北大核心 2024年第1期91-100,共10页; 已有的图神经网络(GNN)推荐算法大多利用用户-项目交互图的节点编号信息进行训练,学习用户-项目节点的高阶联系去丰富节点表示,但忽略了用户对不同模态信息的偏好,没有利用项目的图片、文本等模态信息,或对于不同模态特征的融合简单相加... 展开更多; 关键词多模态推荐多模态融合注意力机制图神经网络推荐系统门控图神经网络; 在线阅读下载PDF 职称材料

基于文本增强的共注意机制的多模态标签推荐被引量：1: 4; 作者冯皓楠何智勇马良荔《陕西师范大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第5期60-66,共7页; 针对新型社交平台用户发布帖子时通常会使用标签来标记帖子的关键词或话题来提高自己在社交媒体中参与度的问题,使用了层级结构,从单词、短语和句子三个层级来提取文本特征。并且提出文本内容的汇总注意机制,将每个层级的语义内容总结... 展开更多; 关键词文本层级建模共注意机制文本注意机制多模态推荐个性化推荐; 在线阅读下载PDF 职称材料

基于图文注意力融合的主题标签推荐被引量：2: 5; 作者冯皓楠何智勇马良荔《郑州大学学报（工学版）》 CAS 北大核心 2022年第6期30-35,共6页; 为了解决社交媒体平台上的信息超载问题,帮助用户快速捕捉所需信息,对基于多模态内容的标签推荐问题进行研究。针对不同模态间的异质性差异,采用共注意力机制进行跨模态内容的特征建模与融合;针对多标签分类方法只能推荐出数据集标签空... 展开更多; 关键词共注意力机制标签分类标签生成统一模型多模态推荐; 在线阅读下载PDF 职称材料

基于跨模态图掩码和特征增强的推荐方法: 6; 作者景丽郑公浩 +1 位作者李晓涵蔚梦媛《计算机科学与探索》 2025年第9期2470-2478,共9页; 提出了一种基于跨模态图掩码和特征增强的推荐方法,旨在减少传统多模态推荐系统中的数据噪声和解决多模态信息表达不足问题。该方法使用CLIP预训练模型提取语义一致性的文本和视觉特征,根据项目模态特征相似性建立项目-项目图,为项目表... 展开更多; 关键词图表示学习多模态推荐系统图神经网络自监督学习; 在线阅读下载PDF 职称材料

题名语义图增强与自适应特征补全的多模态推荐: 1; 作者超木日力格何明鑫马丽艳; 机构中央民族大学民族语言智能分析与安全治理教育部重点实验室中央民族大学信息工程学院上海大学计算机工程与科学学院; 出处《北京师范大学学报(自然科学版)》北大核心 2025年第3期307-316,共10页; 基金中央高校基本科研业务费专项资金资助项目(2024QNYL07) 海南省自然科学基金重点研发计划资助项目(ZDYF2024(LALH)-005) 北京市科学计划资助项目(Z231100001723002)。; 文摘提出了一种集成高阶语义增强与自适应模态特征的多模态推荐(MMSAF)模型,通过该模型中所采用的图卷积神经网络(graph convolutional neural network,GCNN)进行高阶语义增强,以捕捉用户和项目之间更深层次的关联关系,从而更精准地反映用户的复杂兴趣偏好,并验证了该模型的有效性和适用性.引入自适应模态融合机制,依据各模态在不同场景下的相对重要性,动态调整模态特征的权重,以灵活适应多样化的用户偏好.结果表明,MMSAF在多个基准数据集上显著优于现有主流方法,在推荐精度和泛化性方面表现出色.; 关键词多模态推荐图神经网络自适应特征融合高阶关系建模语义增强; Keywords multimodal recommendation graph neural network adaptive feature fusion high-order relationship modeling semantic enhancement; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合图神经网络的多模态微视频推荐算法: 2; 作者王子文游进国胡荣笙贾连印; 机构昆明理工大学信息工程与自动化学院; 出处《小型微型计算机系统》北大核心 2025年第4期825-832,共8页; 基金国家自然科学基金项目(62062046)资助.; 文摘现有多模态图神经网络推荐算法在进行多模态融合时,普遍使用图神经网络提取的节点特征进行融合,而未考虑到全局图结构信息和模态信息对融合的影响;并且现有的多模态融合方法大多只考虑模态间的差异,而忽视了模态内部的情况.对此,本文提出一种融合图神经网络的多模态微视频推荐算法(MCCF,Multi-modal Contrast-Conflict Fusion).该算法利用一种感知模态信息的注意力机制,将节点级特征转化为表征不同模态的图级特征;同时,分别使用节点级和图级特征表示,计算模态内“对比性”和模态间“冲突性”,客观评价了不同模态的重要性,实现了多模态融合.在Movielens和Tiktok两个微视频公开数据集上进行的实验表明,本文提出的算法在推荐性能上较基线方法有明显提升.; 关键词多模态推荐系统多模态融合图卷积神经网络对比冲突融合; Keywords multimodal recommendation multimodal fusion graph convolutional neural network contrast-conflict fusion; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于多模态融合的图神经网络推荐算法被引量：3: 3; 作者吴志强解庆李琳刘永坚; 机构武汉理工大学计算机与人工智能学院数字出版智能服务技术教育部工程研究中心武汉理工大学重庆研究院; 出处《计算机工程》 CSCD 北大核心 2024年第1期91-100,共10页; 基金国家自然科学基金(62276196) 重庆市自然科学基金(cstc2021jcyj-msxmX1013) 湖北省重点研发计划项目(2021BAA030)。; 文摘已有的图神经网络(GNN)推荐算法大多利用用户-项目交互图的节点编号信息进行训练,学习用户-项目节点的高阶联系去丰富节点表示,但忽略了用户对不同模态信息的偏好,没有利用项目的图片、文本等模态信息,或对于不同模态特征的融合简单相加,不能区分用户对不同模态信息的偏好。针对上述问题,提出多模态融合的GNN推荐模型。首先针对单个模态,结合用户-项目交互二部图构建单模态图网络,在单模态图中学习用户对此模态信息的偏好;然后利用GAT聚合邻居信息,丰富本节点表示,同时根据门控循环单元决定是否聚合邻居信息,达到去噪效果;最后将各个模态图学习到的用户、项目表示通过注意力机制融合得到最终表示并送入预测模块。在MovieLens-20M、H&M两个数据集上的实验结果表明:多模态信息、注意力融合机制能有效提升推荐的准确度,算法模型在Precision@K、Recall@K和NDCG@K 3个指标上相较于基线最优算法均有显著提升;当评估指标K值选取10时,Precision@10、Recall@10和NDCG@10在两个数据集上分别提升了4.67%、2.42%、2.03%和2.49%、5.24%、2.05%。; 关键词多模态推荐多模态融合注意力机制图神经网络推荐系统门控图神经网络; Keywords multimodal recommendation multimodal fusion attention mechanism Graph Neural Network(GNN) recommendation system gated Graph Neural Network(GNN); 分类号 TP391.3 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于文本增强的共注意机制的多模态标签推荐被引量：1: 4; 作者冯皓楠何智勇马良荔; 机构海军工程大学电子工程学院; 出处《陕西师范大学学报（自然科学版）》 CAS CSCD 北大核心 2023年第5期60-66,共7页; 基金十三五预研项目(41412010801)。; 文摘针对新型社交平台用户发布帖子时通常会使用标签来标记帖子的关键词或话题来提高自己在社交媒体中参与度的问题,使用了层级结构,从单词、短语和句子三个层级来提取文本特征。并且提出文本内容的汇总注意机制,将每个层级的语义内容总结为一个特征向量,然后提出一个文本增强的共注意模型,将每个层级的语义分别与图像模态进行语义融合。同时,考虑到不同用户使用标签的偏好习惯等各不相同,引入一个外部存储单元来记录每个用户的历史标签习惯,计算当前待推荐帖子与历史帖子之间的相似度影响向量,建立用户的个性化模块。在真实数据集上的实验结果表明,文中基于多模态帖子内容理解和个性化模块分析模型相比与其他模型,在精确率、召回率和F 1分数上都有很大提升;提出的两个关于多模态内容理解的注意力机制和用户的个性化建模都对整体推荐效果有显著的贡献。; 关键词文本层级建模共注意机制文本注意机制多模态推荐个性化推荐; Keywords text hierarchical modeling co-attention mechanism text attention mechanism multimodal recommendation personalized recommendation; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于图文注意力融合的主题标签推荐被引量：2: 5; 作者冯皓楠何智勇马良荔; 机构中国人民解放军海军工程大学电子工程学院; 出处《郑州大学学报（工学版）》 CAS 北大核心 2022年第6期30-35,共6页; 基金 “十三五”预研项目(41412010801)。; 文摘为了解决社交媒体平台上的信息超载问题,帮助用户快速捕捉所需信息,对基于多模态内容的标签推荐问题进行研究。针对不同模态间的异质性差异,采用共注意力机制进行跨模态内容的特征建模与融合;针对多标签分类方法只能推荐出数据集标签空间中标签的不足,采用Seq2Seq框架生成新的标签序列,并通过一种聚合策略将分类方法的推荐结果聚合到生成的标签序列中,得到2种方法的统一推荐模型。在大规模数据集上的实验结果表明:多模态方法比单模态方法更具优势,所提出的统一推荐模型的F1值比仅使用单模态的对比模型高9.44百分点;生成新标签序列的方法也优于传统的分类方法,所提出的标签序列生成模型的F1值比对比模型COA高3.41百分点;所提出的统一推荐模型UNIFIED-CO-ATT的F1值比GEN-CO-ATT模型高1.25百分点,其效果优于其他对比模型。所提出的模型综合了分类方法和生成方法的特点,可以使推荐的标签同时具有准确性和新颖性。; 关键词共注意力机制标签分类标签生成统一模型多模态推荐; Keywords co-attention mechanism hashtag classification hashtag generation unified model multimodal recommendation; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构] TP391.1 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于跨模态图掩码和特征增强的推荐方法: 6; 作者景丽郑公浩李晓涵蔚梦媛; 机构河南财经政法大学计算机与信息工程学院; 出处《计算机科学与探索》 2025年第9期2470-2478,共9页; 基金河南省科技攻关项目(242102210086)。; 文摘提出了一种基于跨模态图掩码和特征增强的推荐方法,旨在减少传统多模态推荐系统中的数据噪声和解决多模态信息表达不足问题。该方法使用CLIP预训练模型提取语义一致性的文本和视觉特征,根据项目模态特征相似性建立项目-项目图,为项目表示提供语义丰富的上下文信息;设计跨模态图掩码重建方法,该方法充分利用模态间特征信息,减少数据噪声并增强特征,之后使用图卷积网络学习用户和项目交互信息;在最终预测时,使用用户偏好分数更准确地捕捉用户对目标项目的偏好,通过不同方面的偏好分数加权计算,更为有效地完成推荐任务。使用多任务联合学习框架进行模型训练,同时兼顾了多模态信息和交互信息,有效提升了多模态推荐的准确性。在Women Clothing、Men Clothing、Beauty、Toys&Games四个公共数据集上的实验结果表明,所提出的方法在召回率(Recall)和归一化折损累计增益(NDCG)指标上均优于现有的基准算法,在Recall@20指标上,比最先进的基线提升8.04%,在NDCG@20指标上,比最先进的基线提升7.31%。; 关键词图表示学习多模态推荐系统图神经网络自监督学习; Keywords graph representation learning multimodal recommendation system graph neural networks self-supervised learning; 分类号 TP391 [自动化与计算机技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	语义图增强与自适应特征补全的多模态推荐	超木日力格何明鑫马丽艳	《北京师范大学学报(自然科学版)》北大核心	2025	0	在线阅读下载PDF 职称材料
2	融合图神经网络的多模态微视频推荐算法	王子文游进国胡荣笙贾连印	《小型微型计算机系统》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于多模态融合的图神经网络推荐算法	吴志强解庆李琳刘永坚	《计算机工程》 CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
4	基于文本增强的共注意机制的多模态标签推荐	冯皓楠何智勇马良荔	《陕西师范大学学报（自然科学版）》 CAS CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
5	基于图文注意力融合的主题标签推荐	冯皓楠何智勇马良荔	《郑州大学学报（工学版）》 CAS 北大核心	2022	2	在线阅读下载PDF 职称材料
6	基于跨模态图掩码和特征增强的推荐方法	景丽郑公浩李晓涵蔚梦媛	《计算机科学与探索》	2025		在线阅读下载PDF 职称材料