CN112417289A - 一种基于深度聚类的资讯信息智能推荐方法 - Google Patents
一种基于深度聚类的资讯信息智能推荐方法 Download PDFInfo
- Publication number
- CN112417289A CN112417289A CN202011366221.2A CN202011366221A CN112417289A CN 112417289 A CN112417289 A CN 112417289A CN 202011366221 A CN202011366221 A CN 202011366221A CN 112417289 A CN112417289 A CN 112417289A
- Authority
- CN
- China
- Prior art keywords
- information
- encoder
- clustering
- data
- vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提出了一种基于深度聚类的资讯信息智能推荐方法,对来源不同的数据,在各自领域内对数据分别编码,得到数据在各自领域内的向量表示;构建基于深度神经网络的变分自编码器,对给定向量进行压缩处理,得到多源数据在统一向量空间下的嵌入向量表示,并进行数据重建;综合重构损失、参数重整化约束和聚类损失构建损失函数,训练基于深度神经网络的变分自编码器,确定网络模型层数、权值、重参数的最优组合,以及基于该变分自编码器的聚类中心;基于训练好的变分自编码器,确定给定感兴趣信息的嵌入向量表示,根据感兴趣信息的嵌入向量到各聚类中心的距离,完成资讯信息智能推荐。本发明提高了关联资讯信息推荐的准确度和效率。
Description
技术领域
本发明涉及人工智能交互领域,具体涉及一种基于深度聚类的资讯信息智能推荐方法。
背景技术
随着数据信息搜集手段、处理分析方法的快速发展,使得用户能够获得大量的不同类型、不同粒度、不同时空的数据资源,但是也会使得用户需要耗费很大的时间精力才能从海量的数据中发掘有效信息资源,以致出现“数据泛滥”和“信息匮乏”的矛盾,即一方面数据信息呈指数级增长,另一方面用户可以利用到的高价值数据信息相对匮乏。
目前,信息智能推荐是解决该问题最直接有效的方法,信息智能推荐是以推荐算法为核心,利用知识发现、数据挖掘、机器学习、人工智能等多种方法为用户提供合适的数据资源,信息智能推荐能够根据用户个性化需求,主动为用户提供合适的信息,并且当用户需求变化时,数据信息智能推荐也能自适应变化,及准确地为用户提供个性化、智能化、动态化的数据资源。
智能推荐的核心是推荐方法,常见的推荐方法有协同过滤推荐算法、基于内容的推荐算法和组合推荐算法。目前,推荐算法理论研究也有一定的成果。胡旭等人(胡旭,鲁汉榕,陈新,等.初始聚类中心优化的K-均值项目聚类推荐算法[J].空军预警学院学报,2014,28(3):203-207.)为缓解协同过滤推荐算法的数据稀疏、扩展性差问题,提出了初始聚类中心优化的K-means项目聚类推荐算法;Liu等人(Liu D R,Lai C H,Lee W J.Ahybrid of sequential rules and collaborative filtering for productrecommendation[J].Information Sciences,2009,179(20):3505-3519.)提出矩阵降维和奇异值分解,在一定程度上缓解了数据稀疏问题;Fu等人(Fu Yong-ping,Qiu Yu-hui.Method of personalized collaborative filtering recommendation based onBayesian network[J].Computer Science,2016,43(9):266-268.(in Chinese))0针对数据稀疏问题,提出基于RBM(RestrictedBoltzmannMachine,受限玻尔兹曼机)的协同过滤算法,通过对高维数据自动降维处理来缓解数据稀疏问题,该方法对比奇异值分解法,效果明显有所提升;Liao等人(Liao S H,Chang A K.A rough set-based association ruleapproach for a recommendation system for online consumers[J].InformationProcessing&Management,2016,52(6):1142-1160.)针对提出的RBM协同过滤算法,提出了对比散度的训练方法,有效缩短了RBM模型训练的时间,但是该模型并没有考虑到不同用户之间的差异性;因此,Fu等人(Fu M,QuH,YiZ,etal.A novel deep learning-basedcollaborative filtering model for recommendation system[J].IEEE Transactionson Cybernetics,2019,49(3):1084-1096.)通过将外部信息融入协同过滤算法,利用用户之间的相似度,综合多种方法,来提高推荐方法的准确度;Schafer等人(Schafer J B,FrankowiskiD,HerlockerJ,etal.Collaborative filtering recommender systems[M].Berlin Heidelberg:Springer,2007:29-34.)通过折叠、混合、加权等方法随机组合不同的推荐方法,来提高推荐方法的推荐精度。
上述研究主要是利用用户和信息数据两者之间的历史交互关系进行学习建模,但是在面向海量异构数据时,缺少统一的表达方式,而且也缺少不同数据与用户历史行为的建模,很难解释用户行为交互与实际信息数据之间的对应关系。
发明内容
本发明的目的在于提出一种基于深度聚类的资讯信息智能推荐方法。
实现本发明目的的技术解决方案为:一种基于深度聚类的资讯信息智能推荐方法,步骤如下:
步骤1,对来源不同的数据,在各自领域内对数据分别编码,得到数据在各自领域内的向量表示;
步骤2,构建基于深度神经网络的变分自编码器,包括编码器、解码器两部分,其中编码器用于对给定向量进行压缩处理,得到多源数据在统一向量空间下的嵌入向量表示,该嵌入向量包含了输入数据的类别信息;解码器用于根据嵌入向量进行数据重建;
步骤3,综合重构损失、参数重整化约束和聚类损失构建损失函数,训练基于深度神经网络的变分自编码器,确定网络模型层数、权值、重参数的最优组合,以及基于该变分自编码器的聚类中心;
步骤4,基于训练好的变分自编码器,确定给定感兴趣信息的嵌入向量表示,根据感兴趣信息的嵌入向量到各聚类中心的距离,完成资讯信息智能推荐。
进一步的,步骤1中,对来源不同的数据,在各自领域内对数据分别编码,使用的是卷积神经网络,其中文本信息由于其特殊性,需要先用词向量方法获得其初始向量表示,再利用卷积神经网络提取编码特征;图像、视频则直接利用卷积神经网络提取编码特征。
进一步的,步骤3中,综合重构损失、参数重整化约束和聚类损失构建损失函数,训练基于深度神经网络的变分自编码器,确定网络模型层数、权值、重参数的最优组合,以及基于该变分自编码器的聚类中心,具体方法为:
为了训练过程中优化相似度qij,这里定义相似度的目标分布pij为:
则损失函数为重构损失函数、参数重整化技巧约束以及聚类损失函数之和,表示为:
其中μi与σi为xi经过编码器映射的正态分布的隐变量空间的均值和方差,N为样本数目,K为xi的维度数目,α是训练过程控制参数;
训练过程中更新xi聚类标签si的方法为:
进一步的,步骤3中,采用并行计算架构训练模型。
进一步的,步骤4中,基于训练好的变分自编码器,确定给定感兴趣信息的嵌入向量表示,根据感兴趣信息的嵌入向量到各聚类中心的距离,完成资讯信息智能推荐,具体方法为:基于自编码器聚类,内容相关联的资讯信息会在训练过程中归为同一类别,记聚类类别数为J,每个类别中心向量为Ji,表示数据的一个潜在属性,对于给定感兴趣信息a,使用编码器计算其隐变量表示za,根据用户意愿确定每个属性的权重参数βi,则za到各聚类中心的距离加权和可以表示为:则推荐信息S来自与za距离近的推荐信息:
其中d为距离函数,具体计算方式有用户选择决定。
一种基于深度聚类的资讯信息智能推荐系统,基于所述的方法进行资讯信息智能推荐。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法进行资讯信息智能推荐。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法进行资讯信息智能推荐。
本发明与现有技术相比,其显著优点为:1)建立了基于变分自编码器的海量异构数据的信息聚类推荐方法,能够结合多种异构数据,实现海量数据中信息快速准确推荐;2)能够在无数据标记的情况下完成模型训练,关联信息的推荐;3)采用深度神经网络提取特征,对不同来源数据表现鲁棒,在复杂多源异构场景下,算法通用性强;4)构建了基于Horovod分布式并行训练深度卷积神经网络框架,极大的提高了训练效率,并取得了较高的准确度。
附图说明
图1是基于深度聚类的资讯信息智能推荐方法框图;
图2是卷积神经网络架构图;
图3是变分自编码器模型;
图4是卷积神经网络并行计算架构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本发明的流程主要包括三部分内容,如图1所示,主要包括以下四个部分:
1)数据特征编码部分
该部分对异构数据进行单独编码,即在各自领域内对数据编码,得到给定数据在各自领域内的向量表示。
对异构数据的编码特征提取均使用的卷积神经网络,其中文本信息由于其特殊性,首先用词向量方法获得其初始向量表示,后续处理与图像、视频基本一致。特征提取编码部分根据数据形式不同选取不同的卷积神经网络模型,其特征提取原理基本一致。卷积神经网络主要用来挖掘数据的局部关联,通过构建多层的卷积神经网络发掘数据的潜在关联信息。卷积神经网络由多个二维平面组成,而每个平面由多个独立神经元组成。卷积神经网络的一般结构如图2卷积神经网络架构图,卷积神经网络主要用来识别位移、缩放及其他形式特征,卷积神经网络是一个多层的神经网络,每层由多个二维卷积核组成,而每个卷积核可以提取不同特征。图中C1、S2、C3和S4均是特征图像,C1和C3是卷积层特征图像,重点在于特征的提取,S2和S4是采样层特征图像,重点在于特征的提取。
2)深度变分自编码器迭代训练部分
对不同数据编码以后,该部分采用深度变分编码器对数据进行迭代训练,获取在统一向量空间下的联合表示,再通过聚类分析方法对相关信息进行归类,方便后续的资讯信息推荐。
深度变分自编码器包括编码器、解码器两部分,给定向量数据,经过编码器网络压缩处理后,得到多源数据在统一向量空间下的潜在向量表示,即嵌入向量,将再输入到解码器得到重建数据,通过设计合理的网络结构以及损失评价函数在有限次迭代过程中,实现数据重构。经编码器得到的潜在向量,包含了输入数据的关联信息,可以用来完成信息聚类推荐。
变分自编码器模型如图3所示,给定样本xi(xi∈X,i=0,…,N),经过编码器及重参数技巧采样得到xi的潜在向量表示为zi。解码器对zi解码得到输入xi的重构用t分布刻画嵌入特征zi与聚类中心cj的相似度
为了训练过程中优化相似度qij,这里定义相似度的目标分布pij为:
训练过程中的损失函数为:重构损失函数、参数重整化技巧约束以及聚类损失函数之和;
其中,其中μi与σi为xi经过编码器映射的正态分布的隐变量空间的均值和方差,N为样本数目,K为xi的维度数目,α是训练过程控制参数。
训练过程中更新聚类标签的方法为
3)信息推荐过程:通过基于自编码器的方法聚类,内容相关联的资讯信息会在训练过程中归为同一类别。记聚类类别数为J,每个类别(类别中心向量为Ji)表示数据的一个潜在属性。对于给定感兴趣信息a,使用编码器计算其隐变量表示za,根据用户意愿确定每个属性的权重参数βi,则za到各聚类中心的距离加权和可以表示为则推荐信息S来自与za距离近的推荐信息:
其中d为距离函数,具体计算方式有用户选择决定。
4)并行训练:基于深度学习的模型训练方法,一般都需要耗费巨大的时间开销,为提高训练的速度,采用多节点并行计算架构,如图4是神经网络并行计算架构图,大量的训练样本存储到不同的存储节点上,样本之间相互独立,每一个存储节点上具完整的神经网络模型,因此每个节点上的神经网络只负责训练部分样本集,节点处理完成之后对结果统一处理,模型参数进行一次更新。样本在训练过程中,在网络各层间是单向逐层进行,同层的特征图、神经元以及神经元权值是相互独立的,因此可以存在多个样本在卷积神经网络中并行计算。大量独立的训练样本存储到不同的存储节点上,样本之间相互独立,每一个存储节点上具完整的卷积神经网络,因此每个节点上的神经网络只负责训练部分样本集,最后进行各节点的模型参数更新。
本发明还提出一种基于深度聚类的资讯信息智能推荐系统,基于所述的方法进行资讯信息智能推荐。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法进行资讯信息智能推荐。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法进行资讯信息智能推荐。
实施例
为了验证本发明方案的有效性,进行如下仿真实验。
基于深度聚类的资讯信息智能推荐方法,具体实现步骤如下:
输入:来自新闻网、微博等网站的图片、视频、文字异构信息数据集,聚类中心数量J(200<J<1000),目标分布的更新间隔T次(T取值为160),停止迭代阈值δ(δ取值为0.005),最大迭代次数Max_iter(最大迭代次数为10万次)。
输出:编码器Pφ、解码器Qψ的网络权重,聚类中心c。
步骤1,对来自新闻网、微博等网站的图片、视频、文字异构信息数据集x中数据在其领域内选取合适的编码方式统一编码。其中文本数据使用词向量(Word-embedding)编码方式,图像视频经过预训练的卷积神经网络进行特征编码,得到编码后的向量表示为数据集x;
步骤2,利用编码后数据集x,通过重构损失函数公式(3)对深度自编码器进行预训练,此时α=0;
步骤3,利用预训练得到的变分自编码器生成x的隐变量空间的表示z,并利用K-means算法对聚类中心c进行初始化;
步骤4,利用公式(1)、(2)更新当前目标分布;
步骤5,对数据集x中的数据,保存当前数据的聚类标签sold;
步骤6,对数据集x,根据公式(3)优化模型,迭代训练T次,此时α=0.125;
步骤7,对数据集x中的数据,利用公式(4)更新每个数据聚类标签标注s;
步骤8,计算更新标签前后变化的数量I(sold≠s),若I(sold≠s)/N<δ,则停止迭代,转入下一步骤9);否则,重复步骤3)~步骤7);
步骤9,保存输出当前模型编码器Pφ、解码器Qψ的网络权重,聚类中心c,并存储;
步骤10,对给定感兴趣信息a,计算到各聚类中心距离;
步骤11,遍历数据集x,根据公式(5)输出与给定感兴趣信息a的相关推荐信息。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于深度聚类的资讯信息智能推荐方法,其特征在于,步骤如下:
步骤1,对来源不同的数据,在各自领域内对数据分别编码,得到数据在各自领域内的向量表示;
步骤2,构建基于深度神经网络的变分自编码器,包括编码器、解码器两部分,其中编码器用于对给定向量进行压缩处理,得到多源数据在统一向量空间下的嵌入向量表示,该嵌入向量包含了输入数据的类别信息;解码器用于根据嵌入向量进行数据重建;
步骤3,综合重构损失、参数重整化约束和聚类损失构建损失函数,训练基于深度神经网络的变分自编码器,确定网络模型层数、权值、重参数的最优组合,以及基于该变分自编码器的聚类中心;
步骤4,基于训练好的变分自编码器,确定给定感兴趣信息的嵌入向量表示,根据感兴趣信息的嵌入向量到各聚类中心的距离,完成资讯信息智能推荐。
2.根据权利要求1所述的基于深度聚类的资讯信息智能推荐方法,其特征在于,步骤1中,对来源不同的数据,在各自领域内对数据分别编码,使用的是卷积神经网络,其中文本信息由于其特殊性,需要先用词向量方法获得其初始向量表示,再利用卷积神经网络提取编码特征;图像、视频则直接利用卷积神经网络提取编码特征。
3.根据权利要求1所述的基于深度聚类的资讯信息智能推荐方法,其特征在于,步骤3中,综合重构损失、参数重整化约束和聚类损失构建损失函数,训练基于深度神经网络的变分自编码器,确定网络模型层数、权值、重参数的最优组合,以及基于该变分自编码器的聚类中心,具体方法为:
为了训练过程中优化相似度qij,这里定义相似度的目标分布pij为:
则损失函数为重构损失函数、参数重整化技巧约束以及聚类损失函数之和,表示为:
其中μi与σi为xi经过编码器映射的正态分布的隐变量空间的均值和方差,N为样本数目,K为xi的维度数目,α是训练过程控制参数;
训练过程中更新xi聚类标签si的方法为:
4.根据权利要求1所述的基于深度聚类的资讯信息智能推荐方法,其特征在于,步骤3中,采用并行计算架构训练模型。
6.一种基于深度聚类的资讯信息智能推荐系统,其特征在于,基于权利要求1-6任一项所述的方法进行资讯信息智能推荐。
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-6任一项所述的方法进行资讯信息智能推荐。
8.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-6任一项所述的方法进行资讯信息智能推荐。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366221.2A CN112417289B (zh) | 2020-11-29 | 2020-11-29 | 一种基于深度聚类的资讯信息智能推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011366221.2A CN112417289B (zh) | 2020-11-29 | 2020-11-29 | 一种基于深度聚类的资讯信息智能推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112417289A true CN112417289A (zh) | 2021-02-26 |
CN112417289B CN112417289B (zh) | 2023-04-07 |
Family
ID=74842270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011366221.2A Active CN112417289B (zh) | 2020-11-29 | 2020-11-29 | 一种基于深度聚类的资讯信息智能推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112417289B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159196A (zh) * | 2021-04-26 | 2021-07-23 | 云南大学 | 一种基于正则变分嵌入式的软件需求聚类方法及系统 |
CN113190269A (zh) * | 2021-04-16 | 2021-07-30 | 南京航空航天大学 | 一种基于编程上下文信息的代码重构方法 |
CN113467881A (zh) * | 2021-09-01 | 2021-10-01 | 南方电网数字电网研究院有限公司 | 图表样式自动化调整方法、装置、计算机设备和存储介质 |
CN113936302A (zh) * | 2021-11-03 | 2022-01-14 | 厦门市美亚柏科信息股份有限公司 | 行人重识别模型的训练方法、装置、计算设备及存储介质 |
CN116028617A (zh) * | 2022-12-06 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 资讯推荐方法、装置、设备、可读存储介质及程序产品 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6501798B1 (en) * | 1998-01-22 | 2002-12-31 | International Business Machines Corporation | Device for generating multiple quality level bit-rates in a video encoder |
US20160155136A1 (en) * | 2014-12-02 | 2016-06-02 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN109033294A (zh) * | 2018-07-13 | 2018-12-18 | 东北师范大学 | 一种融入内容信息的混合推荐方法 |
-
2020
- 2020-11-29 CN CN202011366221.2A patent/CN112417289B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6501798B1 (en) * | 1998-01-22 | 2002-12-31 | International Business Machines Corporation | Device for generating multiple quality level bit-rates in a video encoder |
US20160155136A1 (en) * | 2014-12-02 | 2016-06-02 | Fair Isaac Corporation | Auto-encoder enhanced self-diagnostic components for model monitoring |
CN107273438A (zh) * | 2017-05-24 | 2017-10-20 | 深圳大学 | 一种推荐方法、装置、设备及存储介质 |
CN109033294A (zh) * | 2018-07-13 | 2018-12-18 | 东北师范大学 | 一种融入内容信息的混合推荐方法 |
Non-Patent Citations (1)
Title |
---|
王俊淑等: "基于深度学习的推荐算法研究综述", 《南京师范大学学报(工程技术版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113190269A (zh) * | 2021-04-16 | 2021-07-30 | 南京航空航天大学 | 一种基于编程上下文信息的代码重构方法 |
CN113159196A (zh) * | 2021-04-26 | 2021-07-23 | 云南大学 | 一种基于正则变分嵌入式的软件需求聚类方法及系统 |
CN113467881A (zh) * | 2021-09-01 | 2021-10-01 | 南方电网数字电网研究院有限公司 | 图表样式自动化调整方法、装置、计算机设备和存储介质 |
CN113467881B (zh) * | 2021-09-01 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 图表样式自动化调整方法、装置、计算机设备和存储介质 |
CN113936302A (zh) * | 2021-11-03 | 2022-01-14 | 厦门市美亚柏科信息股份有限公司 | 行人重识别模型的训练方法、装置、计算设备及存储介质 |
CN113936302B (zh) * | 2021-11-03 | 2023-04-07 | 厦门市美亚柏科信息股份有限公司 | 行人重识别模型的训练方法、装置、计算设备及存储介质 |
CN116028617A (zh) * | 2022-12-06 | 2023-04-28 | 腾讯科技(深圳)有限公司 | 资讯推荐方法、装置、设备、可读存储介质及程序产品 |
CN116028617B (zh) * | 2022-12-06 | 2024-02-27 | 腾讯科技(深圳)有限公司 | 资讯推荐方法、装置、设备、可读存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN112417289B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112417289B (zh) | 一种基于深度聚类的资讯信息智能推荐方法 | |
CN111291212B (zh) | 基于图卷积神经网络的零样本草图图像检索方法和系统 | |
CN108108854B (zh) | 城市路网链路预测方法、系统及存储介质 | |
CN112529168B (zh) | 一种基于gcn的属性多层网络表示学习方法 | |
Hui et al. | Collaborative graph convolutional networks: Unsupervised learning meets semi-supervised learning | |
CN109389151B (zh) | 一种基于半监督嵌入表示模型的知识图谱处理方法和装置 | |
Taylor et al. | Learning invariance through imitation | |
CN111950594A (zh) | 基于子图采样的大规模属性图上的无监督图表示学习方法和装置 | |
Fatras et al. | Minibatch optimal transport distances; analysis and applications | |
CN113065649B (zh) | 一种复杂网络拓扑图表示学习方法、预测方法及服务器 | |
CN112819023A (zh) | 样本集的获取方法、装置、计算机设备和存储介质 | |
Wang et al. | Trust-aware collaborative filtering with a denoising autoencoder | |
Zheng et al. | Multimodal deep network embedding with integrated structure and attribute information | |
CN106355210B (zh) | 基于深度神经元响应模式的绝缘子红外图像特征表达方法 | |
Li et al. | Unsupervised transfer learning via low-rank coding for image clustering | |
CN116664719A (zh) | 一种图像重绘模型训练方法、图像重绘方法及装置 | |
Zhang et al. | Multiview graph restricted Boltzmann machines | |
CN113657272B (zh) | 一种基于缺失数据补全的微视频分类方法及系统 | |
Yang et al. | Graph regularized encoder-decoder networks for image representation learning | |
CN113408721A (zh) | 神经网络结构搜索方法、装置、计算机设备和存储介质 | |
Li et al. | Self-supervised nodes-hyperedges embedding for heterogeneous information network learning | |
CN114882288B (zh) | 基于分层图增强堆叠自编码器的多视图图像分类方法 | |
CN115204171A (zh) | 基于超图神经网络的文档级事件抽取方法及系统 | |
CN116108127A (zh) | 一种基于异构图交互和掩码多头注意力机制的文档级事件抽取方法 | |
Ward et al. | A practical guide to graph neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |