知识感知推荐(KGR)领域普遍存在监督信号稀疏问题。为了解决这个问题,对比学习方法被越来越广泛地应用于KGR。但是,过去基于对比学习的KGR模型仍存在一些问题:首先,使用图卷积对所有邻居节点直接聚合,无法排除知识图谱中不必要邻居节点信息的干扰;此外,只关注全局视图的信息,忽略了局部特征,这会导致过平滑问题。为了解决以上问题,提出一种基于跨视图对比学习的知识感知推荐系统(knowledge-aware recommender system with cross-views contrastive learning,KRSCCL)。KRSCCL使用关系图注意力网络构建包含用户、物品和实体节点的全局视图;使用轻量级图卷积网络构建包含用户和物品节点的局部视图,强调局部特征,有效地缓解过平滑问题;最后,在构建的两个视图的图内和图间节点对之间进行对比学习,以充分提取知识图谱信号,优化用户和物品表示。为了验证模型的有效性,在3个不同领域的公开数据集上进行了实验,实验结果表明:关系图注意力网络可以有效排除复杂网络聚合时的噪声问题;引入局部视图可以优化节点表示生成,缓解过平滑问题;KRSCCL模型在这3个数据集上都表现良好,在电影领域数据集Movielens–1M上,推荐的评估指标F1分数较最强基线提升2.0%;在音乐领域数据集***上,F1分数较最强基线提升0.3%;在书籍领域数据集Book–Crossing上,F1分数较最强基线提升5.1%。证明了本文模型的有效性。
优化链路状态路由(Optimized Link State Routing,OLSR)协议采用多点中继(Multi Point Relays,MPR)机制以减轻网络负载。然而,当传统MPR算法的最大覆盖度原则出现遗漏时,所选出的MPR集合并非最佳,无法达到最大程度的资源优化。为提升协...
详细信息
优化链路状态路由(Optimized Link State Routing,OLSR)协议采用多点中继(Multi Point Relays,MPR)机制以减轻网络负载。然而,当传统MPR算法的最大覆盖度原则出现遗漏时,所选出的MPR集合并非最佳,无法达到最大程度的资源优化。为提升协议在大规模网络中的表现,提出了两种改进方案来优化传统MPR算法:一种是基于果蝇思想的MPR方案(FruitFly MPR,FF-MPR),另一种是基于逆向贪心策略的MPR方案(Backward Greed MPR,BG-MPR)。Matlab仿真结果显示,这两种方案都有效规避了传统MPR算法的冗余问题。但是,FF-MPR因其固有的随机性和较长的计算时间而不适合节点多、移动性强的网络环境;BG-MPR在特殊情况下可能会产生新的冗余问题。为此,对BG-MPR中新产生的冗余进行了深入研究,提出了相应的解决措施,开发出基于改进逆向贪心策略的OLSR协议(Reverse Greed OLSR,RG-OLSR),使用OPNET仿真平台对其进行了测试。仿真结果证明,RG-OLSR在控制消息开销、端到端时延和时延抖动等关键性能指标上均优于传统的OLSR协议。
暂无评论