融合动态兴趣偏好与特征信息的序列推荐

传统的序列推荐通常忽略用户和项目特征信息的重要性,且无法有效对动态的兴趣偏好进行建模.因此,提出融合动态兴趣与特征信息的序列推荐算法.该算法通过对目标项目进行动态兴趣建模,克服兴趣转移带来的影响;同时融合用户和项目特征信息模拟真实的用户行为以提高推荐的性能.首先,针对动态兴趣建模,采用辅助函数应用下一个行为监督上一个隐藏兴趣状态的学习,并采用带注意力机制的门控循环单元为不同的兴趣状态对目标影响程度赋予不同的权重;然后,针对用户和项目特征信息特征融合,采用平凡注意力机制为影响目标项目的特征赋予不同的权重,并通过多头注意力机制进行深层次的特征提取;最后,融合用户动态兴趣表示和用户项目特征表示输入到多层感知机.在Yelp和MovieLens-1M数据集上进行仿真实验,结果表明提出模型的性能比一些基线模型有较好的提升.     

融合SE和多尺度卷积的轻量级CT图像分类模型

针对医生主观因素会影响COVID-19（新型冠状病毒感染）和CAP（社区获得性肺炎）类型计算机断层（Computed Tomography,CT）图像诊断准确性的问题，提出一种基于MobileNetV2网络改进的MobileNetV2-SELN结构.首先，对MobileNetV2结构中的Block模块进行改进，添加SE块和尺度注意力机制，并引入全连接层和全局池化以便于获取多尺度特征；然后，针对COVID-19图像和CAP图像相似度大的特点，用GroupNorm替代BatchNorm2d，使模型能更好地获取肺炎特征；最后，使用SGD优化器对模型进行优化.实验结果表明，提出的模型的分类准确率更高.