王冰
- 作品数：3 被引量：11H指数：2
- 供职机构：中国科学院声学研究所更多>>
- 发文基金：国家自然科学基金新疆维吾尔自治区重大科技专项中国科学院战略性先导科技专项更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于社区结构的集体预测算法研究被引量：1
- 2019年
- 如果网络结构已知,则可将网络结构特征用于预测任务,集体预测算法则是利用这个思路提高预测效果。传统的集体预测算法主要是基于节点内容和直接邻居节点信息进行预测训练。然而,一些直接邻居节点信息有可能与目标节点不一致。除此之外在邻居节点不足的情况下,非邻居节点信息也是很有用处的。本文不使用直接邻居节点信息,而是将社区结构用在预测任务中。社区发现算法被应用于集体预测过程中以进一步改进预测性能。实验结果表明我们提出的算法优于一些标准的预测算法,尤其是在标注训练集有限的情况下。
- 姜亚松王冰张艳颜永红
- 关键词：模块度网络
- 基于艺人画像的歌曲点播量预测被引量：4
- 2017年
- 用户画像可以用于用户相关事件的预测。在本文中,我们探索对用户画像的建模中结合外在因素的变化,对用户相关行为进行预测。在实验方面,我们以阿里音乐用户的历史播放数据为基础,结合外在主要相关事件,对艺人进行多维的画像,进而预测某个时间段内艺人的歌曲点播量,挖掘出即将成为潮流的艺人,从而实现对一个时间段内音乐流行趋势的准确把控。实验结果表明,与传统的机器学习方法和时序模型方法相比,我们的算法具有很高准确率,且具有简洁,泛化能力强的特点。
- 吴桂平侯晓琴王冰周军张艳颜永红
- 关键词：ARIMA时间序列
- 基于循环时间卷积网络的序列流推荐算法被引量：6
- 2020年
- 针对循环神经网络(Recurrent Neural Network,RNN)模型在序列流推荐中只能从宏观上捕捉序列的演变模式,忽略了物品(Item)间内部的微观联系,无法长程建模序列数据的变化规律的问题,提出了多维度序列建模算法循环时间卷积网络(Recurrent Temporal Convolutional Network,RTCN)。首先,将每个物品表示成定长向量,采用多层因果卷积和扩张卷积操作扩大感受野范围,建立序列元素间的长程依赖关系。利用残差连接网络提取不同层次的特征信息,解决反向传播中梯度衰减甚至消失的问题。综合设计时间卷积网络(Temporal Convolutional Network,TCN)提取序列流中前后物品间的局部特征,将物品信息映射到隐藏空间,得到细粒度的特征向量。为进一步建立元素间的宏观联系,将特征向量依次输入门限循环单元(Gated Recurrent Unit,GRU),迭代更新现有隐藏状态并预测下一时刻的输出。RTCN通过时间卷积网络,从输入序列流提取出长时间、多维度、细粒度的局部关联特征;经过门限循环网络,建模序列间的长距离依赖关系,捕捉序列元素的演变模式,并预测下一个出现的物品。利用网站、手机应用和音乐3个不同场景中的数据对模型进行了实验。实验结果显示,RTCN模型在召回率(Recall)和平均排序倒数(MRR)两个指标上比RNN模型高出6%~13%,比传统推荐算法高出9%~59%。通过对比不同的损失函数,模型在交叉熵损失函数下表现最优。此外,由于TCN中的卷积层具有多通道的结构,当数据维度丰富时,该模型对物品和用户的上下文信息具有很强的综合能力。
- 李太松贺泽宇王冰颜永红颜永红
- 关键词：推荐系统循环神经网络
