摘要：科研管理是高校管理中的重要组成部分,但现有的科研管理系统难以满足用户的个性化需求。以高校科研管理向智能化转型为需求导向,将知识图谱、传统模型和大语言模型相结合,共同构建新一代高校科研管理问答系统。采集科研知识用于构建科研知识图谱。利用同时进行意图分类和实体提取的多任务模型进行语义解析。借助解析结果来生成查询语句,并从知识图谱中检索信息来回复常规问题。将大语言模型与知识图谱相结合,以辅助处理开放性问题。在意图和实体具有关联的数据集上的实验结果表明,采用的多任务模型在意图分类和实体识别任务上的F1值分别为0.958和0.937,优于其他对比模型和单任务模型。Cypher生成测试表明了自定义Prompt在激发大语言模型涌现能力方面的成效,利用大语言模型实现文本生成Cypher的准确率达到85.8%,有效处理了基于知识图谱的开放性问题。采用知识图谱、传统模型和大语言模型搭建的问答系统的准确性为0.935,很好地满足了智能问答的需求。

摘要：现有的基于深度学习的推荐模型主要致力于提升推荐系统的准确性。然而,除了推荐准确性外,模型的推荐可靠性也备受关注。该文提出一种基于生成对抗网络的评分可信推荐模型来评估预测结果的有效性,以实现推荐准确性与可靠性间的权衡。该模型仅利用用户显式评分信息获取预测评分的可信度,并根据设定的可靠性阈值筛选出具有高可信度的预测评分,以保证推荐项目的可靠性。此外,为了提高模型的预测效果并确保训练的公平性,设计了正样本填充策略来缓解评分可靠性矩阵中的数据不均衡问题。在3个真实数据集上的实验结果表明,该模型在Recall和NDCG指标上均优于所选的对比方法,有效提高了推荐系统的性能。

摘要：【目的】考虑原始评分信息的准确性及其预测结果的可靠性,以提升推荐系统的准确性。【方法】从信息输入和输出两方面,设计三种方案为已有推荐算法的预测结果提供可靠性概率。在信息输入方面,借助直觉模糊集理论,提出模糊自然噪声检测机制识别和修正有误评分;在信息输出方面,分别采用二次模糊噪声检测、矩阵分解和深度神经网络获得待预测位置的可靠性概率,并根据设定的可靠性判别条件,识别出不可信的预测评分并对其修正。【结果】在两个公开数据集上的实验结果显示,与原始推荐算法相比,引入所提模糊自然噪声检测方法和三种可靠性方案后的相应方法在F1值和NDCG评估指标上分别最高提升了6.4%和7.2%。【局限】所设计的可信推荐策略不适用于只包含隐式反馈的数据集。【结论】从评估信息可靠性的视角,为提升推荐算法的性能提供了新的解决方案。

摘要：[目的]为有效捕获用户与物品交互数据中蕴含的协同信息和高阶特征,提出一种融合物品受众特征的深度学习推荐模型。[方法]利用注意力机制从物品与用户的历史交互信息中自适应地构建出物品的个性化受众特征,并将其作为对目标用户偏好预测的重要补充信息引入推荐模型中。同时,设计显式的特征交叉并引入残差连接以丰富高阶特征信息的多样性。[结果]在三个公开数据集上的实验显示,当推荐列表长度为10时,相对于次优对比方法,本文模型在Precision、Recall、F1和NDCG等4个性能评价指标上分别最高增长9.1、9.4、9.2、12.1个百分点。[局限]模型性能一定程度上依赖于用户与物品的历史交互数据量。[结论]本文模型能很好地兼顾泛化能力和记忆能力,展现出良好的推荐性能。

摘要：为充分利用所有评分,缓解数据稀疏性问题,将概率统计领域的Jensen-Shannon(JS)散度引入相似性度量中,提出了一种新的项目相似性度量算法。该算法将项目的评分信息转化为评分值密度,并依据评分值的密度分布来计算项目相似性。同时,引入评分数量因子,进一步提升了基于JS的相似性度量方法的性能。最后,以基于JS的相似性度量方法为基础,设计了相应的协同过滤算法。在MovieLens数据集上的实验结果表明,所提算法在预测误差和推荐准确性方面均有良好的表现。因此,该算法在推荐系统中具有很好的应用潜力。

摘要：近年来,自编码器凭借其良好的数据压缩能力在推荐领域得到广泛应用。研究发现,受推荐系统中数据稀疏性的影响,自编码器模型会因为用户与物品之间缺少交互而在训练过程中产生偏差,从而影响模型的推荐结果。为解决此问题,提出一种基于物品交互约束的自编码器推荐模型。该模型以物品交互情况作为约束条件,设计了新的参数更新规则,规避了由数据稀疏性引入的模型训练偏差。在此基础上,推荐模型还将物品标签信息引入到训练中,通过增加新的数据源来缓解数据稀疏性的影响,提升推荐性能。在3个不同规模和稀疏度的数据集上的实验表明,模型对稀疏数据集具有良好的适应性,能够有效提高推荐的准确性,展现出良好的应用潜力。