在线课程资源爆炸式的增长容易引起“信息迷航”和“信息过载”等问题,基于学习者的行为记录向学习者精准推荐符合其偏好的课程资源显得愈加重要。然而,在进行学习者需求感知时,现有方法缺乏有效手段应对学习者行为序列中课程的数量远...在线课程资源爆炸式的增长容易引起“信息迷航”和“信息过载”等问题,基于学习者的行为记录向学习者精准推荐符合其偏好的课程资源显得愈加重要。然而,在进行学习者需求感知时,现有方法缺乏有效手段应对学习者行为序列中课程的数量远少于在线课程总量所产生的数据稀疏问题。针对上述问题,提出一种基于超图增强的个性化在线课程推荐模型(personalized online course recommendation model based on hypergraph enhancement,BHE-PCRM)。该模型设计了一种超图增强方法构建出高质量的课程超图结构,并联合超图消息传递范式以捕获课程之间的高阶隐式全局协作信号;利用深度多头自注意力模块来感知学习者课程行为序列的上下文信息。在两个公开数据集上的实验结果表明,所提方法能够有效地感知学习者需求并提供个性化课程推荐,在多种评估指标上优于主流推荐方法,从而验证了提出方法的有效性和泛化能力。展开更多
单个较大非均匀超图聚类旨在将非均匀超图包含的节点划分为多个簇,使得同一簇内的节点更相似,而不同簇中的节点更不相似,具有广泛的应用场景。目前,最优的基于超图神经网络的非均匀超图聚类方法CIAH(co-cluster the interactions via at...单个较大非均匀超图聚类旨在将非均匀超图包含的节点划分为多个簇,使得同一簇内的节点更相似,而不同簇中的节点更不相似,具有广泛的应用场景。目前,最优的基于超图神经网络的非均匀超图聚类方法CIAH(co-cluster the interactions via attentive hypergraph neural network)虽然较好地学习了非均匀超图的关系信息,但仍存在两点不足:(1)对于局部关系信息的挖掘不足;(2)忽略了隐藏的高阶关系。因此,提出一种基于多尺度注意力和动态超图构建的非均匀超图聚类模型MADC(non-uniform hypergraph clustering combining multi-scale attention and dynamic construction)。一方面,使用多尺度注意力充分学习了超边中节点与节点之间的局部关系信息;另一方面,采用动态构建挖掘隐藏的高阶关系,进一步丰富了超图特征嵌入。真实数据集上的大量实验结果验证了MADC模型在非均匀超图聚类上的聚类准确率(accuracy,ACC)、标准互信息(normalized mutual information,NMI)和调整兰德指数(adjusted Rand index,ARI)均优于CIAH等所有Baseline方法。展开更多
精准的风电功率预测对于电力系统安全稳定运行具有十分重要的现实意义。受到尾流效应等因素影响,风电场内各风机之间存在着复杂的关联特性。现有研究忽略了时空关联特性的动态变化过程,传统图结构的二元关系表示方法也难以精确的表征风...精准的风电功率预测对于电力系统安全稳定运行具有十分重要的现实意义。受到尾流效应等因素影响,风电场内各风机之间存在着复杂的关联特性。现有研究忽略了时空关联特性的动态变化过程,传统图结构的二元关系表示方法也难以精确的表征风电机组间复杂多元的时空关系,导致风机间的时空特征难以精确捕捉。同时考虑到深度学习模型可解性差的问题与尾流效应对风电功率的影响,该文提出一种基于尾流关联的动态超图风电功率超短期预测方法。首先,将各风机视为节点,各风机历史功率作为特征输入,风电机组的空间位置和多元复杂关系作为超边,沿着时间维度构建风电机组动态超图表示结构。然后,结合每个时刻的风向数据与风机信息,根据Jensen尾流模型原理,以射线法的形式构建基于尾流关联的动态超图。在此基础上,针对动态超图的特殊数据结构,构建基于动态超图卷积的时空聚合特征提取模块与双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的时空特征拟合模块,提取动态时空特征并实现精准预测,最后,基于真实风电数据进行实验分析,从多维度验证该方法的优越性。展开更多
文摘在线课程资源爆炸式的增长容易引起“信息迷航”和“信息过载”等问题,基于学习者的行为记录向学习者精准推荐符合其偏好的课程资源显得愈加重要。然而,在进行学习者需求感知时,现有方法缺乏有效手段应对学习者行为序列中课程的数量远少于在线课程总量所产生的数据稀疏问题。针对上述问题,提出一种基于超图增强的个性化在线课程推荐模型(personalized online course recommendation model based on hypergraph enhancement,BHE-PCRM)。该模型设计了一种超图增强方法构建出高质量的课程超图结构,并联合超图消息传递范式以捕获课程之间的高阶隐式全局协作信号;利用深度多头自注意力模块来感知学习者课程行为序列的上下文信息。在两个公开数据集上的实验结果表明,所提方法能够有效地感知学习者需求并提供个性化课程推荐,在多种评估指标上优于主流推荐方法,从而验证了提出方法的有效性和泛化能力。
文摘精准的风电功率预测对于电力系统安全稳定运行具有十分重要的现实意义。受到尾流效应等因素影响,风电场内各风机之间存在着复杂的关联特性。现有研究忽略了时空关联特性的动态变化过程,传统图结构的二元关系表示方法也难以精确的表征风电机组间复杂多元的时空关系,导致风机间的时空特征难以精确捕捉。同时考虑到深度学习模型可解性差的问题与尾流效应对风电功率的影响,该文提出一种基于尾流关联的动态超图风电功率超短期预测方法。首先,将各风机视为节点,各风机历史功率作为特征输入,风电机组的空间位置和多元复杂关系作为超边,沿着时间维度构建风电机组动态超图表示结构。然后,结合每个时刻的风向数据与风机信息,根据Jensen尾流模型原理,以射线法的形式构建基于尾流关联的动态超图。在此基础上,针对动态超图的特殊数据结构,构建基于动态超图卷积的时空聚合特征提取模块与双向长短时记忆网络(bidirectional long short-term memory,BiLSTM)的时空特征拟合模块,提取动态时空特征并实现精准预测,最后,基于真实风电数据进行实验分析,从多维度验证该方法的优越性。
文摘多行为推荐(multi-behavior recommendation,MBR)在互联网平台中愈发重要,但现有方法仍面临两大挑战:a)无法刻画用户不同行为下的复杂兴趣偏好;b)难以建模不同行为间的相互关系。基于此,提出一种对比学习增强的多行为超图神经网络模型(multi-behavior hypergraph neural network model enhanced with contrastive lear-ning,MBHCL),在建模用户复杂多类型交互的同时,结合对比学习捕获行为间共性与差异,以获取更优嵌入表示,缓解冷启动与数据稀疏问题。具体地,MBHCL首先构建用户-项目多行为交互超图,以刻画用户对项目不同维度的偏好;其次设计三个对比任务整合单行为表示,通过捕捉行为间的共性与差异获取全面用户兴趣偏好。最终,MBHCL在四个真实场景数据集上进行对比实验。结果表明,在Tmall和BeiBei数据集上,HIT和NDCG指标有至少4.8%的提升,在Kuairand和Yelp数据集上,HIT和NDCG指标至少提升3.6%,并通过消融实验验证了各模块的有效性,同时显著改善了冷启动用户推荐效果。
