随着网络信息技术的快速发展,越来越多的人沉浸在网络带来的虚拟社区环境中,忽视了现实生活中的社会互动。随之而来的诽谤问题变得越来越严重。通过宠物机器人和育种者之间的情感沟通促进人与人之间的离线沟通“解决了这个问题,并开发了一种名为”汤姆“的设计。”汤姆“是一个智能宠物机器人,具有基于petrobot的社交机制,名为”Tom-本文的主要贡献是提出一种名为“Tom-Talker”的社交机制,鼓励用户离线社交。“Tom-Talker”也有相应的奖励机制和朋友推荐算法。它还提出了一个宠物机器人名为“汤姆“通过情感交互算法识别用户的情绪,模拟动物的情绪,并用情感进行交流。本文设计实验并分析结果。结果表明,荆棘机器人对解决城市自闭症问题有很好的效果。
translated by 谷歌翻译
知识图捕获实体之间的相互关联的信息,它们代表了可以用于推荐系统的有吸引力的结构化信息源。但是,现有的推荐引擎通过手动设计功能来使用知识图,不允许进行端到端的培训,或者提供不良的可扩展性。在这里,我们提出了知识图形卷积网络(KGCN),这是一种端到端的可训练框架,它利用知识图捕获的项目关系来提供更好的建议。从概念上讲,KGCN通过首先应用可训练功能来计算用户特定项目嵌入,该功能识别给定用户的重要知识图表关系,然后将知识图表转换为用户特定的加权图表。然后,KGCN应用图形卷积神经网络,通过传播和聚集知识图邻域信息来计算项目节点的嵌入。此外,为了提供更好的感应偏差,KGCN使用标签平滑度(LS),其提供边缘权重的规范化,并且我们证明它等同于图上的标签传播方案。最后,我们统一了KGCN和LS正规化,并为KGCN-LS模型提供了可扩展的小批量实现。实验表明,KGCN-LS在四个数据集中的表现优于强基线。 KGCN-LS在稀疏场景中也具有出色的性能,并且在知识图形大小方面具有高度可扩展性。
translated by 谷歌翻译
协作过滤通常在实际推荐场景中存在稀疏性和冷启动问题,因此,研究人员和工程师通常使用辅助信息来解决问题并提高任务系统的性能。在本文中,我们将知识图视为辅助信息的来源。我们提出MKR,一种用于知识图增强推荐的多任务特征学习方法。 MKR是一个深入的端到端框架,它利用知识图嵌入任务来协助推荐任务。这两个任务由交叉和压缩单元相关联,交叉和压缩单元自动共享特征并学习推荐系统中的项目与知识图中的实体之间的高阶交互。我们证明了交叉和压缩单元具有足够的多项式逼近能力,并且表明MKR是几种有代表性的推荐系统和多任务学习方法的时间框架。通过对真实世界数据集的广泛实验,我们证明MKR在电影,书籍,音乐和新闻推荐方面取得了相当大的成果,超过了最先进的基线。即使用户迭代很少,MKR也能够保持良好的性能。
translated by 谷歌翻译
出于实际考虑,期望实现资源利用率的高效率,本文从动态多臂强盗的角度,将有限资源的大规模黑框优化问题转化为在线决策问题,简化了马尔可夫决策过程。提出的在线决策元启发式框架(ODM)特别适用于实际应用,具有各种成本的灵活兼容性,易于启发式清晰度的接口以及较少的超参数,以减少性能差异。基准功能的实验结果表明,ODM已经证明了在线决策的重要能力。此外,当使用三种启发式方法表达ORM时,竞争性能可以在搜索范围高达10000的基准问题上实现。
translated by 谷歌翻译
用户对视频的情感分析是从嵌入在线视频流中的多媒体内容中自动识别观众的感知状态。现有作品分为两类:1)基于视觉的方法,侧重于视觉内容并提取视频的一组特定功能。但是,通常很难学习从低级视频像素到高级情感的映射功能。因类内差异很大而产生的空间。 2)基于文本的方法,其重点在于调查与视频相关联的用户生成的评论。通过传统语言学方法学习的单词表示通常缺乏情感信息,而全局评论通常反映观众的高层次理解而非瞬时情绪。为了解决这些局限性,在本文中,我们建议同时共同利用视频内容和用户生成的文本进行前置运动分析。特别是,我们介绍了利用一种新的用户生成的文本,即“danmu”,它们是漂浮在视频上的实时评论,包含丰富的信息来传达观众的情感意见。增强文本特征提取中词语的情感辨别力。我们提出情感词嵌入(EWE),通过共同考虑其语义和情感来学习文本表达。之后,我们提出了一种新的视觉 - 文本情感分析模型,其中包括DeepCoupled Video和Danmu Neural networks(DCVDN),其中视觉和文本特征是同步的。通过基于深度规范相关的自动编码器的多视图学习提取和融合以形成综合表示。通过对自爬行的真实世界视频 - danmu数据集的大量实验,我们证明DCVDN明显优于最先进的基线。
translated by 谷歌翻译
对于许多分割任务,特别是对于生物医学图像,拓扑先验是可用于利用的重要信息。包含/嵌套是典型的类间几何关系。在MICCAI脑肿瘤分割挑战中,嵌套类关系由三个分层嵌套类“整个肿瘤”,“肿瘤核心”,“活跃肿瘤”引入3D残余Unet体系结构。该网络包括上下文聚合路径和本地化路径,其将输入的越来越抽象的表示编码为更深入到网络中,然后将这些表示与更浅的特征重新组合以通过本地化路径精确地定位感兴趣的域。通过提出多类激活函数及其相应的损失函数来组合Thenested-class-prior。该模型在Brats2018的trainingdataset上进行训练,20%的数据集被视为确定参数的验证数据集。当参数固定时,我们在整个训练数据集上重新训练模型。在验证排行榜上实现的性能是整个肿瘤,增强肿瘤和肿瘤核心类别的86%,77%和72%Dice评分,而不依赖于整体或复杂的后处理步骤。基于相同的最先进的网络架构,与传统的基于Softmax的盲目整体先验方法相比,嵌套类(增强肿瘤)的准确性从69%合理地提高到72%。
translated by 谷歌翻译
为了解决协同过滤的稀疏性和冷启动问题,研究人员通常利用辅助信息(如社交网络oritem属性)来提高推荐性能。本文将知识图作为辅助信息的来源。为了解决现有基于嵌入和基于路径的知识图感知推荐方法的局限性,我们提出了Ripple Network,这是一种端到端的框架,自然地将知识图合并到推荐系统中。类似于在水面上传播的实际波纹,RippleNetwork通过自动地并且沿知识图中的链接迭代地扩展用户的潜在兴趣来刺激用户偏好在知识实体集上的传播。因此,由用户的历史点击项激活的多个“涟漪”被叠加以形成用户相对于候选项的偏好分布,其可以用于预测最终点击概率。通过对现实世界数据集的广泛实验,我们证明了Ripple Network通过几个最先进的基线在各种场景中实现了大幅增长,包括电影,书籍和新闻推荐。
translated by 谷歌翻译
研究表明,在维持大学解决多目标优化问题(MaOPs)的同时,难以获得邻近性。真正的Pareto Front(PF)的复杂性对于基于参考矢量的算法提出了严峻的挑战,因为它们对真实PF的特性的适应性不具有先验性。本文提出了一种具有两个交互过程的多目标优化算法:级联聚类和参考点增量学习(CLIA)。在基于级联聚类的人口选择过程中,利用增量学习过程提供的参考向量,非主导和支配的个体以不同的方式进行聚类和分类,并通过循环法选择更好的接近和多样性。在基于参考点增量学习的参考矢量自适应过程中,利用来自聚类过程的反馈,通过增量学习逐渐获得参考点的适当分布,并相应地重新定位参考矢量。 CLIA的优势不仅在于其有效和高效的性能,还在于处理真正PF的各种特性的多功能性,只使用两个过程之间的相互作用而不会产生额外的评估。许多基准问题的实验研究表明CLIA具有竞争力与现有技术相比,高效且通用。
translated by 谷歌翻译
Heterogeneous network embedding (HNE) is a challenging task due to the diverse node types and/or diverse relationships between nodes. Existing HNE methods are typically unsupervised. To maximize the profit of utilizing the rare and valuable supervised information in HNEs, we develop a novel Active Heterogeneous Network Embedding (Ac-tiveHNE) framework, which includes two components: Discriminative Heterogeneous Network Embedding (DHNE) and Active Query in Heterogeneous Networks (AQHN). In DHNE, we introduce a novel semi-supervised heterogeneous network embedding method based on graph convolutional neu-ral network. In AQHN, we first introduce three active selection strategies based on uncertainty and representativeness, and then derive a batch selection method that assembles these strategies using a multi-armed bandit mechanism. ActiveHNE aims at improving the performance of HNE by feeding the most valuable supervision obtained by AQHN into DHNE. Experiments on public datasets demonstrate the effectiveness of ActiveHNE and its advantage on reducing the query cost.
translated by 谷歌翻译
我们考虑获取一方不拥有的一组数据(例如图像)的请求者。为了收集所有数据,众包机制已被广泛用于寻求人群的帮助。但是,现有的第三方平台机制以及来自这些平台的工作人员并不是必需的,而且冗余数据也没有得到妥善处理。为了解决这个问题,我们提出了一种基于社交网络的新型众包机制,其中工人的回报通过信息熵和修改后的Shapley值来计算。这种机制激励网络中的工作者不仅提供他们拥有的所有数据,而且还进一步邀请他们的邻居提供更多数据。最终,该机制能够通过受约束的奖励来获取网络上所有工作人员的所有数据。
translated by 谷歌翻译