基于知识图谱的轻量级图卷积网络推荐

知识图谱可以给推荐系统提供丰富的、结构化的信息,从而提高推荐准确性.最近的技术趋势是基于传播的方法设计端到端的模型,但有的基于传播的方法无法捕获项目的高阶协作信号.一般图卷积网络中包含的最常见形式是特征转换、非线性激活和邻域聚合,然而,经验表明,特征转换和非线性激活对协同过滤推荐不一定有积极的影响,更糟糕的是,它们可能会降低推荐性能,使训练更加困难.针对以上问题,提出基于知识图谱的轻量级图卷积网络推荐模型.首先,从实体邻居中抽取样本作为感受野,将知识图谱中的实体通过多次迭代嵌入传播来获取高阶邻域信息.感受野结合邻域信息和可能存在的偏差来计算实体表示,还可以扩展到多跳以模拟高阶连通性并捕获用户潜在的远距离兴趣.其次,使用邻域聚合以预测用户和项目之间的评分,这不仅简化了模型设计,还提高了模型的有效性和准确度.最后,在电影、书籍和音乐推荐这三个数据集中应用提出的模型,实验结果表明,提出的方法优于其他推荐基线.     

水深对SIMPLE算法收敛特性的影响分析

SIMPLE算法应用在河道平面二维水流计算中,当水深较小时,经常出现收敛很慢,甚至不收敛的情况。针对这一问题,应用理想的矩形棱柱河槽进行数值试验,得到水深逐渐降低时,迭代计算的收敛特性,以及计算发散时水深与地形的线性关系,对实际工程计算中地形的前期处理有一定的参考价值。     

两阶段启发式算法在矩形件排样中的应用

针对定制式木门家具生产过程中板材资源利用率低和常规启发式排样算法得到的排样结果切割工艺复杂的问题,采用启发式排样和优化排序相结合的方式,提出了两阶段排样方式和遗传算法相结合的组合式矩形板材排样算法。以两阶段排样方式为基础,通过对排样过程中物块摆放时会遇到的5种情况分别给出对应处理方案,提出了两阶段启发式排样算法,同时利用改进的遗传算法进行板材组号的排序优化。测试结果表明,该文算法取得了98.11%的最高资源利用率,算法输出排样方案的板材切割工艺得到了优化,提高了实际生产中板材切割的生产效率并降低了生产与时间成本。     

多维和多重递推辅助变量辨识算法

对带白色观测噪声的多维自回归(AR)模型,应用相关方法,分别提出了多维和多重递推辅助变量(RIV)算法,给出了未知AR参数的强一致估计;推广了一维RIV算法。提出了模型噪声和观测噪声方差的信息融合估值器,它们具有强一致性。一个仿真例子说明其有效性。     

基于频繁模式矩阵的改进挖掘算法研究

提出了对基于频繁模式矩阵Fp-array的挖掘的改进算法。首先对各项的投影矩阵预处理划分成若干同维矩阵,并根据同维矩阵的权值对剩余未搜索项进行预先判断,进而对搜索最大频繁项目集进行有效剪枝,减少了搜索范围。经过实验和算法分析,证明了改进算法具有明显的优越性。     

基于分形理论的水合物回波特征提取及分类识别

针对海底裸露块状天然气水合物的探测问题,为了能从超声回波中准确提取天然气水合物的特征信息并与其他海底沉积物的特征进行分类识别,提出基于分形理论的水合物分类识别方法.通过实验室超声探测装置获取各类海底沉积物样品和天然气水合物样品的回波信号,并利用分形理论对回波信号进行分析,提取不同海底底质的声学回波特征,然后利用分类算法...     

二维稳态河流水质模型的河岸镜像问题及其计算机模拟研究

基于二维稳态河流水质模型的河岸镜像问题,采用计算机模拟河流污染带的方法,对一侧镜像模型和两侧镜像模型进行了分析讨论。根据湖南省澧水某段枯水期的水文参数,对一侧镜像模型和两侧镜像模型的污染带进行了模拟,发现一侧镜像模型由于忽略了一个虚源而使河流中污染物的浓度分布产生较大的误差,从而导致污染带异常;而两侧镜像模型考虑了河岸两侧的两个镜像虚源,从而很好的反映河流中的污染物浓度分布。因此在河流水质预测评价过程中,应采用两侧镜像的二维水质模型。     

基于分形维数的心磁数据分析研究

利用高温超导量子干涉仪(SQUID),测量人体胸前36个测量点的磁场强度数据。通过线性插值和高阶拟合的方法,绘制出人体心脏各个时刻的等磁图。利用MATLAB软件,采用盒维数的计算方法,计算出健康者和心脏病患者等磁图的分形维数。结果表明,健康者与心脏病患者等磁图的分形维数存在明显差异,为心脏病的诊断提供了一种新的思路和方法。     

基于分形维数的多线索商标图案检索系统

采用基于内容的图像检索技术,根据查询图像和目标图像的相似度匹配进行图像检索,图像的内容由五种特征来描述：图像的分形维数、分形矢量、边界分形维数、骨架分形维数和距离分布直方图,系统界面友好、功能齐全,实验证明系统的检索效果比较理想,具有很好的平移、尺度和旋转不变性,并且只要查询图像在图库中,就一定能被检索出来,另外,系统还具有一定的鲁棒性。     

DTS(v)嵌入到DB(4,1;w)的研究

设(V,B)为一个DB(k,λ;v),(W,(?))为一个DB(k',λ';v')。如果V(?)W并且(?)/v=B,即B={B:B∈(?),B(?)V},我们称(V,(?))嵌入到了(W,(?))中。主要给出了当k=3,k'=4,λ=λ'=1时,DTS(v)的嵌入谱的估计。同时,确定了小阶数的DTS(v)的嵌入谱。