随着经济社会发展,基于位置信息社交网络(Location-based Social Network,LBSN)深刻影响着人们生活,该网络通过用户签到积累了海量数据,数据中包含的兴趣点(Point of Interest,POI)信息已成为当前研究热门,被越来越多的学者所关注。POI...
详细信息
随着经济社会发展,基于位置信息社交网络(Location-based Social Network,LBSN)深刻影响着人们生活,该网络通过用户签到积累了海量数据,数据中包含的兴趣点(Point of Interest,POI)信息已成为当前研究热门,被越来越多的学者所关注。POI推荐系统可根据用户历史签到数据进行推荐,然而由于用户的签到数据中包含大量不相关的信息,导致模型训练时冗余参数的输入且信息利用率较低,输出的推荐结果不具备准确性和聚焦性。针对上述问题,本文首先深入研究了传统推荐模型和基于深度学习的推荐模型在POI推荐系统中的应用,然后重点研究了其中一种POI推荐模型——DAN-SNR,该模型利用自注意力机制对POI序列影响和用户社交影响进行建模,建立两个并行通道分别来捕获短期用户偏好和长期用户偏好以及社交影响。并对此模型提出了两处创新:一是构建了基于门控机制的G-DAN-SNR模型——通过自注意机制在DAN-SNR模型长短期兴趣偏好特征融合前,引入门控机制,并在门控机制中加入卡尔曼算法,对特征参数加权筛选出最优特征;其次是MG-DAN-SNR模型——针对DAN-SNR模型POI单输入单输出的问题,在上述G-DAN-SNR改进模型的基础上,将预测层加入混合专家模型(Mixture of Experts,MOE)对预测结果再次进行优化。通过仿真实验,本文提出的两种改进模型能够有效的对POI进行预测和推荐,和相关参考文献的模型进行对比,新模型的准确性得到了进一步的提高,表明了两种改进模型的有效性。最后,本文通过VUE和My SQL数据库实现了两种改进模型在POI推荐系统中的实践应用。
深度学习模型已被广泛应用于超短期风电功率预测。对黑盒深度学习模型预测过程的决策逻辑进行解释和分析,有利于提升预测模型和预测结果的可信度,减小不确定性造成的电力系统运行风险。对此,文章针对经典的长短期记忆网络(long short-term memory,LSTM)超短期风电功率预测模型,提出了一种基于决策树混合专家模型(decision tree mixture of experts,DTMOE)的模块化代理解释方法。将LSTM模型内部的预测过程分解为两个相对独立的模块,采用DTMOE分别对两个模块的输入输出进行拟合,通过分析DTMOE的拟合结果对LSTM模型的预测过程和逻辑进行映射解析。算例分析表明,DTMOE模型对原始黑盒模型有较高的拟合精度与可解释性能力;DTMOE模型的可视化结果可以解析和展现LSTM模型预测过程的决策路径以及关键影响特征。
暂无评论