典型文献
基于GRU神经网络的可移动性兴趣点的推荐系统
文献摘要：
目前,兴趣点推荐算法的研究主要聚焦在静态兴趣点的推荐上,对可移动性兴趣点的推荐研究比较少.本文提出了一种包括3个网络模块的复合神经网络结构,可以实现可移动性兴趣点的推荐.整体算法框架包含门控循环(gate recurrent unit,GRU)神经网络专家模块和门网决策模块,门控循环神经网络专家模块由模式GRU和点GRU两个子模块组成.模式GRU网络模块融入了迁移学习策略,负责学习其他数据集中的动态时空模式,用于模式预测.点GRU网络模块融入了对比学习策略,以达到扩展目标训练集的样本数量、提高网络泛化能力的目的,用于点预测;门网决策模块负责根据输入样本的形式选择相应的GRU模块的输出作为预测结果,实现神经网络专家决策系统.本文还提出了一种结合TrAdaBoost+最大期望(expectation maximization,EM)算法的样本过滤算法,该算法能够从两种学习策略产生的扩容样本中筛选出可信的、可用的样本,用于训练模式GRU以及点GRU网络模块.实验结果表明,与马尔可夫(Markov)模型和高斯混合模型(Gaussian mixture model,GMM)方法相比,本文方法泛化能力强,可用小训练样本集驱动神经网络,产生的预测误差以及预测误差分位数更小.
文献关键词：
移动性兴趣点;动态时空推荐;迁移学习;对比学习;门控循环神经元
中图分类号：
作者姓名：
史艳翠;张弛
作者机构：
天津科技大学人工智能学院,天津 300457
文献出处：
引用格式：
[1]史艳翠;张弛-.基于GRU神经网络的可移动性兴趣点的推荐系统)[J].天津科技大学学报,2022(06):54-62
A类：
移动性兴趣点,TrAdaBoost+,动态时空推荐,门控循环神经元
B类：
GRU,可移动,推荐系统,兴趣点推荐,推荐算法,复合神经网络,神经网络结构,gate,recurrent,unit,门控循环神经网络,子模块,迁移学习策略,时空模式,对比学习,扩展目标,训练集,样本数量,泛化能力,点预测,决策系统,expectation,maximization,EM,过滤算法,扩容,训练模式,马尔可夫,Markov,高斯混合模型,Gaussian,mixture,model,GMM,小训练样本,训练样本集,预测误差,分位数
AB值：
0.316084
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
