近些年很多基于深度学习的推荐模型被提出,这些模型通过对特征的处理和改变深度网络结构来解决推荐系统数据稀疏和冷启动的问题.然而现有的方法忽略了特征与特征之间的交互对深度网络的影响,限制了模型的学习能力.为了给用户推荐更感兴趣的项目和信息,本文提出了分解机深度网络(Factorization Machine Deep Network,FMN)模型.该模型将因式分解机和深度神经网络结合,首先利用因式分解机在特征之间进行交互以充分学习交叉项特征,然后利用深度网络学习高阶非线性特征.进而,分解机深度网络将特征的隐藏信息充分发掘出来并拥有高阶的非线性特征学习能力.两个真实数据集的实验表明,本文提出的模型在推荐性能上有着明显的提升.
基于矩阵分解的推荐方法易受到数据稀疏性问题的影响,常见的解决办法是向矩阵分解模型中融入评论文本信息,但是这类方法通常假设用户是独立存在的,忽略了用户之间的社交关系.现实世界中用户的行为与喜好往往会受到其信任好友的影响,因此本文提出一种融合评论文本和社交网络的矩阵分解推荐方法(Review and social probabilistic matrix factorization,RSPMF).首先设计了深度神经网络模型用于学习评论文本的上下文特征;其次,设计了信任传播模型用于根据社交好友的特征修正用户的潜在隐特征;最后将上述两种模型以正则化方式融入概率矩阵分解模型,通过训练模型获取用户与物品之间的内在关系并实现物品推荐.在公开的真实数据集Yelp上进行了实验,并与多种前沿的算法进行了性能对比,结果表明本文提出的RSPMF方法具有良好的推荐性能.
准确预测处理器性能对计算机硬件设计与改进有着重要意义。然而,处理器预测系统存在两个核心问题:预测过程中处理器内部构造复杂和不确定性以及预测结果的不可解释性。置信规则库作为一种基于IF-THEN规则的建模方法,具有一定的可解释性并且可以处理复杂系统评估与预测中的不确定信息。但BRB的规则爆炸问题限制了专家知识的使用。因此,本文提出了一种基于近似置信规则库(ABRB)的处理器性能预测模型。该模型通过构建单属性BRB模型来解决规则爆炸问题,并通过基于投影协方差矩阵自适应进化策略(P-CMA-ES)算法对专家知识给定的初始参数进行优化。最后以UCI中处理器数据集为例,验证了所提方法的有效性。Accurate prediction of processor performance is important for computer hardware design and improvement. However, there are two core problems in processor prediction systems: the complexity and uncertainty of processor internals during the prediction process and the non-interpretability of the prediction results. Belief rule base (BRB), as a modelling method based on IF-THEN rules, has some interpretability and can handle uncertain information in the evaluation and prediction of complex systems. However, the rule explosion problem of BRB limits the use of expert knowledge. Therefore, this paper proposes a processor performance prediction model based on approximate belief rule base. The model solves the rule explosion problem by constructing a single-attribute BRB model and optimizes the initial parameters given by the expert knowledge by the Projection Covariance Matrix Adaptive Evolutionary Strategy (P-CMA-ES) based algorithm. Finally, the effectiveness of the proposed method is validated using the UCI mid-processor dataset as an example.
