针对多层感知机(MLP)架构无法捕获会话序列上下文中的共现关系的问题,提出了一种基于图共现增强MLP的会话推荐模型GCE-MLP。首先,利用MLP架构捕获会话序列的顺序依赖关系,同时通过共现关系学习层获得序列上下文中的共现关系,并通过信息融合模块得到会话表示;其次,设计了特定的特征选择层,旨在扩大不同关系学习层输入特征的差异性;最后,通过噪声对比任务最大化两种关系表征之间的互信息,进一步增强对会话兴趣的表征学习。在多个真实数据集上的实验结果表明GCE-MLP的推荐性能优于目前主流的模型,验证了该模型的有效性。与最优的MLP架构模型FMLP-Rec(Filter-enhanced MLP for Recommendation)相比,在Diginetica数据集上,P@20最高达到了54.08%,MRR@20最高达到了18.87%,分别提升了2.14和1.43个百分点;在Yoochoose数据集上,P@20最高达到了71.77%,MRR@20最高达到了31.78%,分别提升了0.48和1.77个百分点。
针对不同尺度的目标容易造成模型的特征提取和尺度变化的适应性问题,提出一种融合自适应感受野的目标检测算法。通过对特征图采用拆分、卷积和融合的方式构造通道自适应感受野模块,以提取不同尺度的感受野,提高对尺度变化的适应能力;在网络结构中引入通道自适应感受野模块和RepVGG模块,采用FC模块(concatenate with convolutions)过滤冗余特征,强化模型的特征提取能力;采用Alpha-CIOU损失和知识蒸馏优化训练,提高算法的检测能力。在Pascal VOC和MS COCO数据集上的实验结果表明,该算法在尺度变化、精度和速度等方面取得了优秀的性能。
暂无评论