期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Transformer和知识图谱的新闻推荐新方法
被引量：
7
1
作者
凤丽洲
杨阳
+1 位作者
王友卫
杨贵军
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023年第1期133-143,共11页
为了增加新闻推荐的辅助信息并提高预测精度,提出基于Transformer和知识图谱的新闻推荐方法.为了结合新闻语义信息和实体信息,利用自注意力机制获取新闻单词之间和新闻实体之间的联系,采用加法注意力机制捕捉单词和实体对新闻表示的影响...
为了增加新闻推荐的辅助信息并提高预测精度,提出基于Transformer和知识图谱的新闻推荐方法.为了结合新闻语义信息和实体信息,利用自注意力机制获取新闻单词之间和新闻实体之间的联系,采用加法注意力机制捕捉单词和实体对新闻表示的影响.考虑到用户对新闻的偏好具有时序性特点,引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况.利用知识图谱中的高阶结构信息,融合候选新闻邻接实体,提升候选新闻嵌入向量所含信息的完整性.在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明,注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.
展开更多
关键词
新闻推荐
知识图谱
注意力机制
新闻实体
高阶结构信息
在线阅读
下载PDF
职称材料
基于上界单纯形投影图张量学习的多核聚类算法
被引量：
1
2
作者
雷皓云
任珍文
+2 位作者
汪彦龙
薛爽
李浩然
《计算机应用》
CSCD
北大核心
2021年第12期3468-3474,共7页
近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其...
近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量(块对角性质),以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度(ACC)和标准互信息(NMI)指标上具有较大的优势。
展开更多
关键词
多核图聚类
上界单纯形
张量学习
块对角性质
高阶结构信息
在线阅读
下载PDF
职称材料
一种融合用户显隐式阅读偏好的论文推荐模型
3
作者
唐浩
刘柏嵩
黄伟明
《计算机应用与软件》
北大核心
2022年第5期253-259,共7页
在海量学术文献的个性化推荐中,现存基于内容的方法以CNN作为特征提取工具,关注用户的显式阅读偏好,却忽略了全局语义特征,而基于图的方法通常忽略用户和论文之间的高阶关联结构信息。针对以上问题,提出一种混合推荐模型GNPR(Graph Neur...
在海量学术文献的个性化推荐中,现存基于内容的方法以CNN作为特征提取工具,关注用户的显式阅读偏好,却忽略了全局语义特征,而基于图的方法通常忽略用户和论文之间的高阶关联结构信息。针对以上问题,提出一种混合推荐模型GNPR(Graph Neural Paper Recommendation),能够学习更完整的用户显式阅读偏好及用户和论文之间的高阶关联信息。该方法使用Word2vec和DCNN(Dual Convolutional Neural Network)处理文本,以双层自注意力的特征抽取模式学习文本全局特征,补充用户显式阅读偏好。针对概念、用户、论文和论文元数据等数据构建知识图谱,使用改进的图卷积网络学习用户和论文之间的高阶关联信息,从而挖掘用户隐式的阅读偏好。在CiteULike-a等数据集上验证了GNPR模型的有效性。
展开更多
关键词
论文推荐
知识图谱
高阶结构信息
用户偏好
图神经网络
在线阅读
下载PDF
职称材料
题名
基于Transformer和知识图谱的新闻推荐新方法
被引量：
7
1
作者
凤丽洲
杨阳
王友卫
杨贵军
机构
天津财经大学统计学院
中央财经大学信息学院
出处
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023年第1期133-143,共11页
基金
国家自然科学基金资助项目(61906220)
国家社科基金资助项目(18CTJ008)
+2 种基金
教育部人文社科资助项目(19YJCZH178)
天津市自然科学基金资助项目(18JCQNJC69600)
内蒙古纪检监察大数据实验室2020—2021年度开放课题资助项目(IMDBD202002,IMDBD202004)。
文摘
为了增加新闻推荐的辅助信息并提高预测精度,提出基于Transformer和知识图谱的新闻推荐方法.为了结合新闻语义信息和实体信息,利用自注意力机制获取新闻单词之间和新闻实体之间的联系,采用加法注意力机制捕捉单词和实体对新闻表示的影响.考虑到用户对新闻的偏好具有时序性特点,引入Transformer以捕捉用户点击新闻间的关联信息及用户兴趣随时间的变化情况.利用知识图谱中的高阶结构信息,融合候选新闻邻接实体,提升候选新闻嵌入向量所含信息的完整性.在2个版本的MIND新闻数据集上与5个典型推荐方法的对比实验表明,注意力机制、Transformer和知识图谱的引入提高了算法在新闻推荐方面的表现.
关键词
新闻推荐
知识图谱
注意力机制
新闻实体
高阶结构信息
Keywords
news recommendation
knowledge graph
attention mechanism
news entity
high-order structural information
分类号
G353.1 [文化科学—情报学]
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
基于上界单纯形投影图张量学习的多核聚类算法
被引量：
1
2
作者
雷皓云
任珍文
汪彦龙
薛爽
李浩然
机构
西南科技大学国防科技学院
电子科技大学信息与通信工程学院
计算机软件新技术国家重点实验室(南京大学)
浙江传媒学院媒体工程学院
出处
《计算机应用》
CSCD
北大核心
2021年第12期3468-3474,共7页
基金
四川省科技厅应用基础研究项目(2021YJ0083)
国家自然科学基金资助项目(62106209)
+3 种基金
南京大学计算机软件新技术国家重点实验室资助项目(KFKT2021B23)
浙江省基础公益研究计划项目(LGF21F020003)
重庆自然科学基金资助项目(cstc2020jcyj-msxmX0473)
浙江省影视媒体技术研究重点实验室开放基金课题(2020E10015)。
文摘
近年来,多核图聚类(MKGC)受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题:图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量(块对角性质),以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度(ACC)和标准互信息(NMI)指标上具有较大的优势。
关键词
多核图聚类
上界单纯形
张量学习
块对角性质
高阶结构信息
Keywords
Multiple Kernel Graph Clustering(MKGC)
capped simplex
tensor learning
block diagonal property
high-order structural information
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
一种融合用户显隐式阅读偏好的论文推荐模型
3
作者
唐浩
刘柏嵩
黄伟明
机构
宁波大学信息科学与工程学院
出处
《计算机应用与软件》
北大核心
2022年第5期253-259,共7页
基金
学术性大数据知识组织与服务标准研究项目(15FTQ002)。
文摘
在海量学术文献的个性化推荐中,现存基于内容的方法以CNN作为特征提取工具,关注用户的显式阅读偏好,却忽略了全局语义特征,而基于图的方法通常忽略用户和论文之间的高阶关联结构信息。针对以上问题,提出一种混合推荐模型GNPR(Graph Neural Paper Recommendation),能够学习更完整的用户显式阅读偏好及用户和论文之间的高阶关联信息。该方法使用Word2vec和DCNN(Dual Convolutional Neural Network)处理文本,以双层自注意力的特征抽取模式学习文本全局特征,补充用户显式阅读偏好。针对概念、用户、论文和论文元数据等数据构建知识图谱,使用改进的图卷积网络学习用户和论文之间的高阶关联信息,从而挖掘用户隐式的阅读偏好。在CiteULike-a等数据集上验证了GNPR模型的有效性。
关键词
论文推荐
知识图谱
高阶结构信息
用户偏好
图神经网络
Keywords
Paper recommendation
Knowledge graph
High-order structure information
User preference
Graph neural network
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
作者
出处
发文年
被引量
操作
1
基于Transformer和知识图谱的新闻推荐新方法
凤丽洲
杨阳
王友卫
杨贵军
《浙江大学学报（工学版）》
EI
CAS
CSCD
北大核心
2023
7
在线阅读
下载PDF
职称材料
2
基于上界单纯形投影图张量学习的多核聚类算法
雷皓云
任珍文
汪彦龙
薛爽
李浩然
《计算机应用》
CSCD
北大核心
2021
1
在线阅读
下载PDF
职称材料
3
一种融合用户显隐式阅读偏好的论文推荐模型
唐浩
刘柏嵩
黄伟明
《计算机应用与软件》
北大核心
2022
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
