亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

近年來，采用異質信息網絡統一建模推薦系統中不同類型對象的復雜交互行為、豐富的用戶和商品屬性以及各種各樣的輔助信息，不僅有效地緩解了推薦系統的數據稀疏和冷啟動問題，而且具有較好的可解釋性，并因此得到了廣泛關注與應用。據我們所知，本文是首篇專門介紹基于異質信息網絡的推薦系統的綜述。

具體而言，本文首先介紹了異質信息網絡和推薦系統的核心概念和背景知識，簡要回顧了異質信息網絡和推薦系統的研究現狀，并且闡述了將推薦系統建模為異質信息網絡的一般步驟。然后，本文根據模型原理的不同將現有方法分為三類，分別是基于相似性度量的方法、基于矩陣分解的方法和基于圖表示學習的方法，并對每類方法的代表性工作進行了全面的介紹，指出了每類方法的優缺點和不同方法之間的發展脈絡與內在關系。最后，本文討論了現有方法存在的問題，并展望了該領域未來的幾個潛在的研究方向。

1 引言

推薦系統往往面臨著數據稀疏和冷啟動問題，因此無法得到精準的推薦結果。在推薦系統中引入輔助信息可以有效地緩解這些問題。例如社會化推薦根據用戶之間的關系構造社交網絡作為輔助信息，從而能夠在推薦系統中充分利用社會關系對用戶喜好的影響。類似地，基于地理位置的社交推薦構建了用戶與位置之間的關系，通過用戶的位置記錄來捕捉用戶的行為偏好。然而，這些方法僅適用于某種特定類型的輔助信息，不具有普適性。

異質信息網絡是一種通用的融合多源數據的方法。通過將推薦系統視為由不同類型對象和交互構成的異質信息網絡，我們可以建模用戶與商品之間復雜的交互關系，而且可以有效融合屬性和各類輔助信息。基于異質信息網絡的推薦系統在信息融合、探索結構語義等方面具有顯著優勢，不僅可以有效緩解數據稀疏與冷啟動問題，而且有助于提升推薦系統的準確性和可解釋性，因此取得了廣泛的關注與應用。

綜述的章節編排如下：第2章簡要介紹推薦系統和異質信息網絡的相關概念與定義；第3章按照模型原理的不同，對基于異質信息網絡的推薦系統進行分類，并對現有方法進行了系統地梳理與分析；第4章展望了基于異質信息網絡的推薦系統未來研究方向；第5章回顧并總結全文。（在這里，主要展示第3章和第4章的核心內容，其他內容詳見論文原文。）

2 模型分類

目前，研究人員設計了各種適用于異質信息網絡建模的推薦算法。本章根據模型的不同，將現有工作進行分類，如表1所示。 圖片

2.1 基于相似性度量

推薦系統的個性化匹配往往基于對實體相似性的度量，而協同過濾需要基于用戶與商品之間的交互歷史計算相似度。早期的相似性度量算法僅對同質信息網絡定義，然而，這些算法忽視了對象和聯系的不同類型，不適用于建模為異質信息網絡的推薦系統。為了解決這一問題，研究者們提出了一系列用于異質信息網絡中實體相似性度量的算法，主要包括基于隨機游走的方法和基于元路徑的方法。基于這兩類異質信息網絡相似性度量算法，研究者們提出了很多協同過濾算法的變體，本文將這類方法統稱為基于相似性度量的方法。（詳見原文）

2.2 基于矩陣分解

為了解決相似性度量方法存在的時空復雜度高的問題，推薦系統的研究者們提出了矩陣分解模型，其原理是通過分解評分矩陣來提取出用戶和商品的隱向量，然后根據隱向量的相似度進行推薦。傳統的矩陣分解模型在訓練時使用隱向量重構共現矩陣作為優化目標，無法利用異質信息網絡中豐富的語義信息。很多研究者提出適用于異質信息網絡建模的矩陣分解方法，可以分為兩類：基于正則化的方法，和基于神經矩陣分解的方法。與基于相似性度量的方法相比，本節介紹的方法不依賴顯式的路徑可達性，當路徑連接稀疏或嘈雜時也不會失敗。（詳見原文）

2.3 基于圖表示學習

隨著深度學習的發展，基于神經網絡的推薦模型憑借其強大的特征交叉能力以及模型架構設計的靈活性，取得了較好的推薦效果。然而，傳統的神經網絡并不能直接建模圖結構。隨著圖表示學習技術的興起，研究者們嘗試設計融合圖表示學習技術的推薦模型，從而更好地學習圖數據中豐富的結構和語義信息。本節將這類方法統稱為基于圖表示學習的方法，并進一步分為基于兩階段訓練的方法和基于端到端訓練的方法。（詳見原文）

3 未來研究方向

異質信息網絡作為一種融合輔助信息的建模方法，憑借其緩解數據稀疏與冷啟動問題、提升模型性能與可解釋性等方面的優勢，已經在各種各樣的推薦系統模型和推薦任務上得到了應用。然而，基于異質信息網絡的推薦系統仍面臨很多挑戰，本節將介紹幾個潛在的未來研究方向。（詳見原文） 新型的異質圖推薦的模型與應用：基于圖神經網絡的推薦系統模型仍存在過平滑、魯棒性差等缺陷，而目前在圖神經網絡中引入異質信息的方法也仍不夠靈活，如何設計更好的異質圖推薦模型存在挑戰，如何將異質信息網絡用于更多類型的推薦任務也存在挑戰。

面向跨域數據的異質圖推薦：目前的絕大多數工作僅關注在單一異質網絡上的推薦任務，與單圖推薦相比，跨域推薦存在很多額外的挑戰。例如，如何設計源域到目標域的映射函數，如何在利用跨域信息的同時不泄露用戶隱私等，如何應對上述挑戰是未來的研究重點。

面向大規模實時場景的異質圖推薦：真實的推薦系統往往需要處理超大規模的數據，并且對推薦的實時性有較高的要求，因此很多復雜的推薦模型無法直接使用。大規模實時推薦主要面臨兩方面問題：一方面是模型的輕量化，另一方面是模型的動態更新。目前的推薦算法輕量化和動態更新方法主要適用于二分圖，如何將其應用于異質信息網絡存在挑戰。

摘要: 證據理論既能夠靈活處理不確定信息, 包括隨機性、模糊性、不準確性和不一致性, 又能夠有效融合定量信息和定性知識. 目前, 證據理論已廣泛應用于評估與決策等多個領域中, 包括多屬性決策分析、信息融合、模式識別和專家系統等. 本文從D-S證據理論出發, 針對Dempster組合規則存在的“反直覺”問題和組合爆炸, 主要圍繞置信分布理論系統地梳理了證據理論的發展過程, 總結分析了國內外典型文獻, 最后從實際應用對證據理論進行了簡要的評述和展望.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190676

摘要： 需求獲取和建模是指從需求文本或記錄中獲取顯式和隱式的需求，并通過表格化、圖形化、形式化等方法構建相應模型的過程，是軟件開發過程中極為關鍵的一步，為后續系統設計與實現鋪平道路，提高軟件開發效率和質量，提升軟件系統穩定性和可行性.研究者們在需求獲取與建模方面獲得了一系列研究成果，根據其關注階段不同，可以將它們分為需求知識提取、需求知識分類和需求模型構建3個方面.鑒于傳統方法在知識獲取、模型構建的準確性和效率方面一直存在弊端，近年來，越來越多的研究者們將具有廣泛應用性的人工智能技術與需求獲取、需求分類、需求建模方法相結合，提出了一系列智能需求獲取與建模的方法和技術，從而彌補了傳統方法的不足.著重從智能需求獲取與建模角度著手，對近年來的研究進展進行梳理和總結.主要內容包括：1)統計并分析人工智能技術在需求知識提取、需求知識分類和需求模型構建中使用的方法和技術；2)總結了智能需求獲取與建模過程中采用的驗證方法和評估方法；3)從科學問題和技術難點2個方面歸納得出目前智能需求獲取與建模的關鍵問題，圍繞集成式和動態化模型構建、與其他軟件工程活動關聯、智能需求知識分類的粒度、數據集構建、評估指標構建和工具支持6部分，闡述了上述問題的可能解決思路和未來發展趨勢

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200740

多元時間序列的因果關系分析是數據挖掘領域的研究熱點. 時間序列數據包含著與時間動態有關的、未知的、有價值的信息, 因此若能挖掘出這些知識進而對時間序列未來趨勢進行預測或干預, 具有重要的現實意義. 為此, 本文綜述了多元時間序列因果關系分析的研究進展、應用與展望. 首先, 本文歸納了主要的因果分析方法, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析; 然后, 總結了不同方法的優缺點、適用范圍和發展方向, 并概述了其在不同領域的典型應用; 最后, 討論了多元時間序列因果分析方法待解決的問題和未來研究趨勢.

時間序列是指現實世界中的某個觀測變量, 按照其發生的時間先后順序排列的一組數字序列. 時間序列可以分為一元時間序列和多元時間序列, 多元時間序列是指多個一元時間序列的組合, 可以認為是一次采樣中可以獲得不同來源的多個觀測變量. 多元時間序列廣泛存在于自然[1]、醫學[2]、社會[3]、工業[4]等各個領域的復雜系統中, 多個變量之間具有復雜的關聯關系, 相互影響作用不明確. 隨著數據采集和存儲技術的發展, 時間序列數據的維度和規模不斷增加, 為建立準確的預測模型增加了難度. 同時, 隨著數據維度的增加, 出現了大量冗余和無關變量, 容易掩蓋重要變量的作用, 對模型的建立產生負面的影響[5]. 時間序列數據挖掘[6-7]是當前研究的熱門問題, 研究如何有效地從多元時間序列中挖掘潛在的有用信息、構建預測模型, 能夠為自然、醫學、社會、工業等領域的控制、決策與調控提供理論指導, 具有十分重要的現實意義[8]. 因此, 本文主要研究多元時間序列的分析手段, 解釋未知系統的動力學特性與運行規律, 從而為建立更加精確的系統模型奠定基礎.

在多變量系統中, 通過分析可觀測變量之間的相關關系, 可以找出對建模貢獻度大的相關變量, 從而推斷出系統的運行機理. 目前, 多元時間序列相關性分析主要集中于統計學手段, 例如Pearson相關系數、秩相關系數、典型相關分析[9]、互信息[10]、最大信息系數[11]、灰色關聯分析[12]、Copula分析[13]等. 這些方法能夠有效處理線性或非線性相關關系, 其分析結果具有對稱性. 然而, 多個變量之間不僅存在直接相互作用, 還存在以中間變量為橋梁的間接相互作用, 并且影響關系通常具有非對稱性. 傳統的相關性分析方法難以處理間接關系、非對稱影響關系, 在實際應用中受到很大限制.

隨著系統復雜度的增加, 相關性分析難以滿足建模需求, 因果關系分析方法得到廣泛關注[14]. 因果關系是一個系統(因)與另一個系統(果)之間的作用關系, 其中第1個系統是第2個系統的原因, 第２個系統依賴于第1個系統. 1969年, Granger[15]首次提出了一種評價二變量時間序列之間是否存在相互作用的因果關系分析方法, 即Granger因果關系分析方法. 該方法基于系統的可預測性, 基本思想是: 對于兩個時間序列, 如果一個時間序列未來時刻的預測誤差, 能夠通過引入另一個時間序列的歷史信息而減小, 則稱第2個時間序列對第1個時間序列具有因果影響. 由于傳統的Granger因果分析建立在線性模型的基礎上, 僅對二元時間序列進行分析, 在提出之后出現了大量改進模型[16]. Granger因果分析方法具有很強的可解釋性, 但是此類方法只能給出定性分析結果, 并且對于高維時間序列容易產生虛假因果現象. 基于信息測度的因果分析是一類非參數方法, 包括轉移熵、條件熵、條件互信息等, 這類方法通過建立評價函數, 能夠定量分析因果關系的強弱[17]. 此外, 基于狀態空間的因果模型[18]、貝葉斯網絡等模型[19-20], 同樣用于分析各種類型的因果關系. 因此, 針對多變量系統的建模要求, 合理利用因果分析方法的優勢, 研究系統各個變量之間的驅動響應關系, 進而推斷系統內部結構和運行機理, 是當前研究的熱點問題[21].

綜上所述, 相比于常規的相關性分析方法, 因果分析方法能夠分析出具有方向性的直接因果關系, 更加適用于多變量系統的分析與建模. 本文針對多元時間序列因果關系分析的幾類典型方法進行綜述, 包括Granger因果關系分析、基于信息理論的因果分析和基于狀態空間的因果分析, 并結合當前流行的機器學習方法、不同領域時間序列建模的需求等, 討論因果分析方法的實際應用和未來發展趨勢.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180189

摘要： 隨著深度學習技術的快速發展，許多研究者嘗試利用深度學習來解決文本分類問題，特別在卷積神 經網絡和循環神經網絡方面，出現了許多新穎且富有成效的分類方法。本文對基于深度神經網絡的文本分類問題進行分析。分類介紹基于深度學習的文本分類方法，研究卷積神經網絡、循環神經網絡、注意力機 制等方法在文本分類中的應用和發展，分析不同深度學習文本分類方法的特點和性能，從準確率和運行時 間方面對基礎網絡結構進行比較。已有研究和本文實驗結果表明，深度神經網絡方法的分類性能超過了傳 統的機器學習方法，卷積神經網絡具有良好的分類性能。分析當前深度文本分類模型的不足，并對未來的 研究方向進行展望。

//www.ecice06.com/CN/10.19678/j.issn.1000-3428.0059099

文本分類技術經歷了從專家系統到機器學習再到深度學習的發展過程。上世紀 80 年代 以前，基于規則系統的文本分類方法需要領域專家定義一系列分類規則，通過規則匹配判斷 文本類別。基于規則的分類方法容易理解，但該方法依賴專家知識，構建成本高，系統可移 植性差。到上世紀 90 年代，機器學習技術逐漸走向成熟，出現了許多經典的文本分類算法， 如決策樹[1]、樸素貝葉斯[2]、支持向量機[3]、最大熵[4]、最近鄰方法[5]等，這些方法部分克服 了前述缺點，一定程度上實現了分類器的自動生成，被廣泛應用的各個領域，但其缺點是在 構建分類器之前，通常需要繁雜的人工特征工程。2012 年開始，深度學習算法引起了越來 越多人的關注，深度學習為機器學習建模提供了一種直接端到端的解決方案，避免了復雜的 特征工程。Golve[6]和 word2vec[7]等詞向量模型的提出，為深度學習算法應用到文本處理領域 上鋪平了道路，隨后出現了各種基于深度神經網絡的文本分類方法，這些方法主要采用了卷 積神經網絡（convolutional neural networks，CNN）、循環神經網絡（recurrent neural networks， RNN）、注意力機制（attention mechanism）等深度學習技術，并且取得了比傳統方法更為 出色的性能。近年來，圖卷積網絡（graph convolutional network，GCN）、區域嵌入（region embedding）、元學習（meta-learning）等一些新的深度學習方法也被應用到文本分類領域。本文對基于深度神經網絡的文本分類技術進行了介紹和分析，將詳細介紹卷積神經網 絡、循環神經網絡、組合模型、注意力機制等方法在文本分類中的應用和發展，分析各類方 法的特點以及之間的區別，對不同方法的性能表現和適用場景進行分析比較，討論在應用深度學習方法處理文本分類任務時應當注意的問題，最后指出未來的研究方向。

數據稀疏和冷啟動是當前推薦系統面臨的兩大挑戰. 以知識圖譜為表現形式的附加信息能夠在某種程度上緩解數據稀疏和冷啟動帶來的負面影響, 進而提高推薦的準確度. 本文綜述了最近提出的應用知識圖譜的推薦方法和系統, 并依據知識圖譜來源與構建方法、推薦系統利用知識圖譜的方式, 提出了應用知識圖譜的推薦方法和系統的分類框架, 進一步分析了本領域的研究難點. 本文還給出了文獻中常用的數據集. 最后討論了未來有價值的研究方向.

//www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200128

推薦系統推薦系統是一種向目標用戶建議可能感興趣物品的軟件工具. 隨著網絡與現實信息的爆炸式增長, 越來越多的在線服務商為用戶提供商品、音樂、電影等(以下統稱為物品)的推薦服務. 推薦系統能夠滿足用戶的個性化需求, 為在線服務商帶來巨大商業價值. 同時, 推薦方法與系統的研究促進了偏好挖掘、大數據處理、決策支持等領域的相關理論和實踐的飛速發展, 其學術價值也引起了廣泛的關注.

推薦系統面臨的重要挑戰主要是數據稀疏性問題和冷啟動問題. 數據稀疏問題指的是相對于數量龐大的用戶和物品, 僅有少量的物品獲得了用戶的評價或者購買, 難以據此獲得相似的用戶或相似的物品, 使得傳統推薦方法失效了. 冷啟動問題指的是系統由于并不知道新加入用戶的歷史行為, 無法給他們推薦物品, 同樣新加入的物品也由于沒有被用戶評價或購買過而無法被針對性的推薦.

推薦系統中通常利用附加信息來解決上述問題, 以提高性能. 附加信息(一般也稱上下文信息)分為顯式信息和隱式信息[1]. 顯式信息是通過諸如物理設備感知、用戶問詢、用戶主動設定等方式獲取的與用戶、物品相關聯的上下文信息. 隱式信息即利用已有數據或周圍環境間接獲取的一些上下文信息, 例如可根據用戶與系統的交互日志獲取時間上下文信息.

近年來, 利用以知識圖譜為表示形式的附加信息的推薦方法受到了學者們的關注. 知識圖譜最初用于提升搜索系統的性能[2], 刻畫了海量實體之間的多種關系, 具有網狀結構, 能夠用于推薦系統中來增強用戶、物品之間聯系的認知與解釋, 從而提高推薦準確度. 本文綜述了2015年~2019年發表在DLRS、RecSys、KDD、CIKM、NIPS、TIST、UMAP、SIGIR等會議和期刊中的利用知識圖譜的推薦方法的文獻, 共23篇. 在利用知識圖譜的推薦系統中, 通常首先將收集到的用戶信息、物品信息、在利用知識圖譜的推薦系統中, 通常首先將收集到的用戶信息、物品信息、用戶歷史行為等數據或者一些相關的外部數據表示成知識圖譜的形式. 然后, 設計推薦算法, 利用知識圖譜生成推薦. 此類推薦系統通常包含知識圖譜構建和利用知識圖譜產生推薦兩個環節. 本文根據這兩個環節中構建知識圖譜數據的不同來源, 以及推薦方法中利用知識圖譜信息的不同形式提出了分類框架, 并據此對相關文獻進行了分類綜述, 詳情請參看本文第三章. 與本文最為相關是文獻[3]. 該文獻綜述了2009年~2017年16篇利用知識圖譜的推薦方法的文獻. 本文在綜述的文章數量上超過了文獻[3]. 此外, 本文提出文獻分類框架能夠更好地覆蓋新提出的方法.

本文第一章介紹了利用知識圖譜的推薦方法的相關背景知識; 第二章對利用知識圖譜的推薦方法文獻進行分類與綜述; 第三章整理了目前常用的推薦系統數據集和知識圖譜數據集; 第四章、第五章分別討論了應用知識圖譜的推薦系統的研究難點與發展前景; 最后, 在第六章中對全文進行了總結.

近年來,機器學習發展迅速,尤其是深度學習在圖像、聲音、自然語言處理等領域取得卓越成效．機器學習算法的表示能力大幅度提高,但是伴隨著模型復雜度的增加,機器學習算法的可解釋性越差,至今,機器學習的可解釋性依舊是個難題．通過算法訓練出的模型被看作成黑盒子,嚴重阻礙了機器學習在某些特定領域的使用,譬如醫學、金融等領域．目前針對機器學習的可解釋性綜述性的工作極少,因此,將現有的可解釋方法進行歸類描述和分析比較,一方面對可解釋性的定義、度量進行闡述,另一方面針對可解釋對象的不同,從模型的解釋、預測結果的解釋和模仿者模型的解釋３個方面,總結和分析各種機器學習可解釋技術,并討論了機器學習可解釋方法面臨的挑戰和機遇以及未來的可能發展方向。

深度學習在很多人工智能應用領域中取得成功的關鍵原因在于，通過復雜的深層網絡模型從海量數據中學習豐富的知識。然而，深度學習模型內部高度的復雜性常導致人們難以理解模型的決策結果，造成深度學習模型的不可解釋性，從而限制了模型的實際部署。因此，亟需提高深度學習模型的可解釋性，使模型透明化，以推動人工智能領域研究的發展。本文旨在對深度學習模型可解釋性的研究進展進行系統性的調研，從可解釋性原理的角度對現有方法進行分類，并且結合可解釋性方法在人工智能領域的實際應用，分析目前可解釋性研究存在的問題，以及深度學習模型可解釋性的發展趨勢。為全面掌握模型可解釋性的研究進展以及未來的研究方向提供新的思路。