-
题名面向超图的可解释性对比元路径群组推荐
被引量：1
- 1
-
-
作者
漆盛
高榕
邵雄凯
吴歆韵
万祥
高海燕
-
机构
湖北工业大学计算机学院
南京大学南京大学计算机软件新技术国家重点实验室
武汉第二船舶设计研究所
南京邮电大学通达学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第11期268-280,共13页
-
基金
国家自然科学基金(61902116)
南京大学计算机软件新技术国家重点实验室开放课题(KFKT2021B12)
+3 种基金
湖北省高层次人才基金(GCRC2020011)
湖北工业大学博士科研启动基金(BSQD2019026,BSQD2019022)
湖北省自然科学基金(2021CFB273)
教育部春晖计划合作科研项目(HZKY20220350)。
-
文摘
在群组推荐中庞大且稀疏的数据往往容易忽视用户群组及项目之间的复杂依赖关系,因此融合不同用户偏好行为嵌入,使用户对群组依赖关系的表现更直观,同时为了在对比中增强视图效果,以获得更准确的推荐结果的目的,提出了一个面向超图的可解释性对比元路径群组推荐框架。通过聚合用户项目群组之间的依赖关系,构建元路径表现实体之间的不同类型交互,以促进实体的相似性,更准确地从数据中获取用户的组内、组外交互;通过将可解释性模型与对比学习相结合的技术,以提高模型的可解释性和性能;通过解释引导增强操作在模型框架上生成的正负视图上结合自监督对比学习,来解决上述问题。在真实数据集上进行实验,验证了所提出方法的有效性。
-
关键词
群组推荐
超图学习
元路径
推荐系统
对比学习
-
Keywords
group recommendation
hypergraph learning
meta-paths
recommendation system
contrastive learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名可解释的局部和全局对比多行为推荐算法
- 2
-
-
作者
陈文俊
高榕
邵雄凯
吴歆韵
万祥
高海燕
-
机构
湖北工业大学计算机学院
南京大学南京大学计算机软件新技术国家重点实验室
武汉第二船舶设计研究所研发部
南京邮电大学通达学院商学院
-
出处
《计算机工程与设计》
北大核心
2024年第10期2970-2977,共8页
-
基金
国家自然科学基金项目(61902116)
南京大学计算机软件新技术国家重点实验室开放课题基金项目(KFKT2021B12)
+3 种基金
湖北省高层次人才基金项目(GCRC2020011)
湖北工业大学博士科研启动基金项目(BSQD2019026、BSQD2019022)
湖北省自然科学基金项目(2021CFB273)
教育部“春晖计划”合作科研基金项目(HZKY20220350)。
-
文摘
针对传统的多行为推荐模型无法高效学习异构信息网络的复杂结构以及缺乏可解释性的问题,提出一种多行为推荐模型,即可解释的局部和全局对比多行为推荐。运用一种被广泛应用于提取全局结构的元路径视图从特定的语义角度捕获每个节点之间的特征。设计一个能捕获局部特征和元路径之间的交互信息的超元路径图来捕获多个元路径之间的交互信息,区分不同用户面对不同类别物品的不同行为模式。采用一种异质性可解释对比学习,确定行为类型的重要性,得出更加优质的正负样本进行对比。在两个公共数据集上的实验中,所提模型优于主流先进推荐模型。
-
关键词
推荐模型
异构信息网络
多行为推荐
全局结构
元路径
可解释性
对比学习
-
Keywords
recommendation model
heterogeneous information networks
multi-behavior recommendation
higher-order structures
meta-path
interpretability
contrastive learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名挖掘滑动窗口中的数据流频繁项算法
被引量：2
- 3
-
-
作者
屠莉
陈崚
包芳
-
机构
江苏省信息融合软件工程技术研发中心
江阴职业技术学院计算机科学系
扬州大学计算机科学与工程系
南京大学南京大学计算机软件新技术国家重点实验室
-
出处
《小型微型计算机系统》
CSCD
北大核心
2012年第5期940-949,共10页
-
基金
国家自然科学基金项目(61070047
61003180)资助
+4 种基金
江苏省自然科学基金项目(BK2008206
BK2010311)资助
江苏省教育厅自然科学基金项目(09KJB20013)资助
江苏省信息融合软件工程技术研发中心基金项目(SR-2011-05)资助
江苏省普通高校研究生科研创新计划项目(CX08B_098Z)资助
-
文摘
滑动窗口是一种对最近一段时间内的数据进行挖掘的有效的技术,本文提出一种基于滑动窗口的流数据频繁项挖掘算法.算法采用了链表队列策略大大简化了算法,提高了挖掘的效率.对于给定的阈值S、误差ε和窗口长度n,算法可以检测在窗口内频度超过Sn的数据流频繁项,且使误差在εn以内.算法的空间复杂度为O(ε-1),对每个数据项的处理和查询时间均为O(1).在此基础上,我们还将该算法进行了扩展,可以通过参数的变化得到不同的流数据频繁项挖掘算法,使得算法的时间和空间复杂度之间得到调节.通过大量的实验证明,本文算法比其它类似算法具有更好的精度以及时间和空间效率.
-
关键词
数据流
频繁项
滑动窗口
-
Keywords
data stream
frequent item
sliding window
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
