基于鲸鱼优化算法改进长短期记忆神经网络的资源推荐

为了改善资源推荐算法的性能,提出基于鲸鱼优化算法(WOA)改进长短期记忆神经网络(LSTM)的资源推荐算法;首先提取资源和用户特征,构建特征差异值加权函数;然后,以资源-用户特征作为输入,建立基于LSTM的资源推荐算法,通过输入门、遗忘门、输出门及记忆节点对历史资源推荐数据按权重进行遗忘与筛选,有选择性地挑选部分数据进行循环迭代训练;考虑到LSTM的门操作需要设置的参数较多,引入WOA进行参数智能优化求解,提出WOA-LSTM算法,以提高LSTM的参数优化的精度及效率。结果表明,通过合理设置WOA参数,可以有效改善LSTM的资源推荐性能,与常用资源推荐算法相比,所提出的WOA-LSTM算法具有更高的推荐精度及稳定性。     

融合知识图谱的文本聚类方法研究

为了提高文本聚类的性能,采用近邻传播(Affinity propagation,AP)算法进行文本聚类,并采用知识图谱进行样本预分析,以提高AP的文本聚类适用度.采用知识图谱进行样本预处理,对待聚类的文本进行知识图谱三元分析,并生成对应概念、实体和关系的样本集合;建立AP文本聚类模型,并通过差分进化(Different...     

基于三元组键值对超关系学习的知识图谱链接预测

为了提高挖掘超关系数据中的隐含关系的能力,提出一种基于三元组键值对超关系学习的知识图谱链接预测模型;所提模型不仅捕捉编码在三元组中知识图谱的主要结构信息,而且通过对三元组及其相关键值对进行学习,采集每个三元组及其相关联的键值对之间的相关性;通过最小值操作,对基本三元组、键值对以及相关性特征向量进行合并,利用全连接投影得到预测得分。结果表明,与其他预测模型相比,所提模型在JF17K数据集和WikiPeople数据集的键、值预测平均倒数排名表现更佳,在链接预测中排名分别小于10、1的三元组的平均占比的预测性能更优。