检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

-

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

2 篇 学位论文

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

2 篇 工学
- 2 篇 计算机科学与技术...
- 2 篇 软件工程
- 1 篇 控制科学与工程
1 篇 管理学
- 1 篇 管理科学与工程(可...

主题

2 篇 用户生成序列
2 篇 个性化序列建模
1 篇 文本生成
1 篇 深度强化学习
1 篇 领域迁移
1 篇 深度学习
1 篇 深度学习技术
1 篇 神经点过程

机构

2 篇 华东师范大学

作者

1 篇 应越
1 篇 梁文伟

语言

2 篇 中文

检索条件"主题词=用户生成序列"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

面向用户生成序列的深度学习技术研究

面向用户生成序列的深度学习技术研究

引用

作者：梁文伟华东师范大学

学位级别：硕士

长久以来,用户生成序列建模一直是推荐系统中研究的热点。传统方法从浩瀚数据中根据用户序列快速筛选出符合用户兴趣的信息,需要花费大量的人力和物力。得益于海量数据和强有力的算力提升,近年来基于深度学习技术的模型在序列建模任务... 详细信息

长久以来,用户生成序列建模一直是推荐系统中研究的热点。传统方法从浩瀚数据中根据用户序列快速筛选出符合用户兴趣的信息,需要花费大量的人力和物力。得益于海量数据和强有力的算力提升,近年来基于深度学习技术的模型在序列建模任务获得巨大的成功。然而,当前对用户生成序列建模的研究仍存在诸多缺陷。对于用户同构序列数据1)未充分将用户体温序列与电子健康病历中多类型特征融合建模;2)忽略对用户签到行为中签到时间的预测建模。对于用户异构序列数据3)未考虑融合序列推荐任务中序列切分和推荐两阶段的工作流。本文分别就用户同质和异质序列数据中蕴含的具体任务进行深入研究,设计数据驱动的用户个性化序列建模框架,较好的缓解了上述问题。本文的主要工作和贡献概述如下:首先,本文从诊断儿童社区获得性肺炎致病微生物的问题入手,提出一种针对患者的注意力机制循环神经网络模型PA-RNN,结合患者在电子健康记录中的生物医学数据,包括血常规和尿常规等特征,同时对随时间变化的体温序列进行联合建模预测。本文在真实的数据集中进行全面的实验,展示将电子健康记录中的多种特征融合对于研究问题的好处。现有的大多基于位置的服务研究专注于提升预测签到地点的召回率,然而对签到地点和时间两方面的联合建模更符合实际的应用场景。对此,本文提出一个深度多任务学习模型ARNPP-GAT,集用户静态表示学习,用户动态行为建模以及点过程于一身。具体来说,模型利用图注意力网络编码用户社交关系为其长期偏好,循环神经网络建模用户当前序列为其短期偏好。与此同时,应用注意力机制到点过程强度函数中以加强其对历史序列的表示能力,并使模型具备预测下一签到时间的能力。在两个真实数据集上的实验性结果表明,ARNPP-GAT比其他基准方法更具优势,验证了多任务学习和社交关系建模的贡献。最后,针对当前基于会话的推荐分为序列切分和推荐两阶段的工作流,本文提出基于深度强化学习的用户序列切分和预测算法RL4SRec,将序列建模的切分和预测两个阶段融合到统一的端到端学习框架。具体的说,切分阶段由策略网络完成,在用户生成序列的每一个时刻执行动作,决定是否在当前位置划分子序列。推荐模型在划分好的用户短序列上训练自身,策略网络则根据推荐模型效果计算累积奖励优化内部参数,循环往复。值得一提的是,RL4SRec能够轻松的与当前的主流推荐模型相结合。本文对三个公开数据集进行实验,证明与使用精心选择的会话切分策略相比,算法在三个基础推荐模型都取得不错的效果提升。综上所述,本文针对多种类型的用户生成数据设计数据驱动的用户个性化序列建模框架,在多个序列数据集上进行实验,实验结果证明了提出方法的有效性。

关键词：深度学习技术用户生成序列个性化序列建模神经点过程深度强化学习

来源：评论

学校读者我要写书评

暂无评论

基于用户表征提升的个性化文本生成

基于用户表征提升的个性化文本生成

引用

作者：应越华东师范大学

学位级别：硕士

文本生成,将不同形式的输入转化为文本形式的输出,赋予了计算机与人交流的能力,是近期自然语言处理方向研究的热点领域。受计算能力的快速发展,基于深度学习的文本生成技术取得了成功。随着互联网产业的蓬勃发展,文本生成的诸多方向,如... 详细信息

文本生成,将不同形式的输入转化为文本形式的输出,赋予了计算机与人交流的能力,是近期自然语言处理方向研究的热点领域。受计算能力的快速发展,基于深度学习的文本生成技术取得了成功。随着互联网产业的蓬勃发展,文本生成的诸多方向,如图片描述生成、神经机器翻译,文本摘要也得到了广泛的运用。大量场景为研究者提供了扎实的数据基础。在这些方向中由于贴近用户需要,个性化文本生成具有很强的实用性和社会价值。尽管对于一般的文本生成问题,已经有了比较好的解决办法。但个性化文本生成问题还未得到很好的解决:1)忽略了用户词语偏好的动态性,没有捕捉用户词语偏好随时间的改变并进行建模2)未考虑用户词语偏好的迁移性,用户在新的领域没有数据,如何利用原有数据构建用户表征仍存许多问题。本文从捕捉用户写作动态性和迁移性,提升用户表征,对用户个性化的文本生成问题进行了探索研究。本文的主要工作概述如下:在用户个性化图片描述生成任务中,之前的工作集中在使用用户高频词,以及用户属性信息或简单的用户表示,忽视了用户表征的动态性。本文提出多模态层次化生成模型(MHTN)来解决这一问题。本文从用户短期偏好对目标文本的分析开始着手,验证用户文本短期偏好对目标文本的贡献。用层次化的基于自注意力机制的Transformer模型对用户短期文本偏好,用户长期文本偏好以及图像特征进行建模。在捕捉用户短期文本偏好的过程中本文除了用自注意力机制获得文本表示外,还使用用户特征对短期偏好加以选择,同时融入了时间差表示机制,提升了用户短期特征的表征效果。在真实数据集上的实验说明,本文提出的生成方法取得了良好的效果,展示了构建具有动态性用户表征的作用。在跨领域个性化评论生成任务中,源领域用户在目标领域缺少数据的这一问题很少被涉及。本文关注用户表征可以从源领域迁移的特点,使用迁移学习的思想提出了跨领域个性化评论生成模型(CDPG)。本文基于领域判别器,对用户源领域的数据提取出领域无关的特征向量,通过与物品以及用户当前目标短语表示互相关注的方式,构建用户表示。此外在解码器的部分为了高效利用输入的字符以及当前物品的信息,融入了基于输入词汇的复制机制。在多个公开数据集上进行的实验结果表明,本文提出的方法在生成效果上有明显的提升,展示了用户表征的可迁移性。综上所述,本文在个性化文本生成的用户表征提升的动态性和迁移性方面,提出了两个新颖的模型,在多个公开数据集进行的实验说明,捕捉用户写作动态性和迁移性可以从不同方面提升用户的表征,提高了文本生成的效果。

关键词：文本生成用户生成序列个性化序列建模深度学习领域迁移

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：