基于深度学习和医案相似度的古代方剂智能推荐方法研究

目的 解决中医古籍中的中药计量规则复杂,方剂查找不便和缺乏针对古籍的现代智能应用的问题.方法 总结历代计量转换标准和特殊计器计量转换标准,提出一种基于"主证+方剂名称+中药组成"特征融合的医案相似度计算方法,采用基于深度学习的知识增强语义表示模型(Enhanced Representation from Knowledge IntEgration,ERNIE)模型进行模型训练;利用MySQL数据库和Django框架,设计开发一个基于深度学习推荐引擎的智能化古代方剂推荐和计量换算系统.结果 采用该方法得到的总体推荐准确率达到了 89.55%,精确率为94.51%,召回率为83.97%,取得了较好的效果,系统能够实现方剂智能检索和中药计量单位转换,根据用户输入的症状推荐主治功效匹配度较高的系列古方信息,并将古方按不同朝代的换算规则显示方剂组成及符合现代标准计量的中药用量.结论 利用该方法进行方剂智能推荐和中药计量转换,达到了较为满意的效果,为古代方剂的智能推荐提供了一种新的思路,对中药用量的标准化具有一定的借鉴意义和临床用药参考意义.

基于深度学习的商品评论主题推荐算法研究与实现

随着大数据与人工智能技术日益进步,各行业的信息数据呈现指数型增长.海量数据可以提供便利,同时也带来了"信息过载","信息碎片化"等突出问题.面对此类问题,目前的解决方法有搜索引擎和推荐系统两大类.优秀的推荐系统不仅可以为用户提供更精确快速的检索服务,还可以帮助商家更好地定位潜在目标用户.由此可见,对于推荐算法的深入研究是非常重要且具有实际意义的.近年来,深度学习在个性化推荐领域中被广泛应用,典型的模型有Deep Crossing,DIN,Deep FM,AFM等.与传统推荐模型相比,深度学习模型的表达能力更强,能够挖掘出更多数据中隐藏的特征.但基于深度学习的推荐模型大多存在一些不足,如(1)商品评论文本通常作为单一特征进行建模,没有用来表征用户历史行为特征;(2)用户在不同时段的评论对用户兴趣的变化有着重要的参考价值,当前没有考虑这两者的关系;(3)图像与文本特征的融合研究较少.针对上述问题,本文的主要工作如下:首先,提出"基于双层筛选机制的评论文本推荐模型"(Review Text Recommendation Model Based On Two-Layer Filtering Mechanism)—TFM.该模型在文本特征处理部分引入用户评论时间戳与自注意力机制,对于给定候选物品,通过研究用户历史行为与该物品的相关性,自适应地计算用户兴趣的表示向量.其次,提出"基于多模态特征融合的深度学习推荐模型"(Deep Learning Recommendation Model Based on Multimodal Feature Fusion)—MFM.该模型分为用户侧与物品侧.在用户侧提出采用Transformer对用户评论文本进行预训练,在一定程度上缓解特征信息丢失问题.在物品侧提出一种特征聚合模块,该模块将物品的描述文本以及图像特征引入到构建物品画像的过程中.最后,以Amazon商品数据集作为实验数据,通过设计与搭建在线商品推荐系统,对所提两种推荐算法进行在线验证.该系统综合考虑了用户冷启动与物品冷启动问题,并结合大数据组件完成线上部署和可视化展示效果.

基于深度学习的混合协同过滤推荐算法的研究与应用

互联网技术的飞速发展极大地改变民众的生活,与此同时也带来数据规模的激增,提高用户准确快速地找到目标信息的难度.搜索引擎在一定程度上缓解了"信息过载"的问题,但是依旧无法满足民众变幻无常的需求,因此便产生推荐系统.推荐系统已普遍应用于各行各业,一个好的推荐算法可以极大地提高企业的收入,提升用户的满意度.然而,现有的推荐算法饱受数据稀疏性,冷启动,推荐的解释性等问题的困扰,导致推荐精度较低,用户体验度较差.随着深度学习技术的蓬勃发展,将推荐算法与深度学习技术融合解决上述问题成为新的发展趋势. 本文针对冷启动问题与数据稀疏性问题,综合分析现有研究的不足,并尝试将深度学习与协同过滤相结合进行混合推荐,充分利用物品属性,评论文本等辅助信息,以缓解上述问题带来的精度下降现象.本文的主要研究工作如下: (1)提出一种面向完全冷启动的深度混合协同过滤推荐算法.该算法设计一种将机器学习与协同过滤结合的通用框架,为充分挖掘物品属性,使用深度降噪自编码器学习物品的隐特征,替换物品因子.针对冷启动特性,根据学习到的隐特征,引入安全的S4VM算法初步预测新物品的评分,结合改进的考虑时间因素与实际情形的LFM模型,最终产生预测评分.通过理论分析与实验,表明该算法能够有效应对新物品的冷启动问题,提高推荐的解释性. (2)针对数据稀疏性问题,基于现有的深度合作神经网络,提出一种基于注意力机制的并行网络推荐算法.该算法考虑词序问题,使用两个并行的卷积神经网络同时对用户的评论文本与物品的描述信息建模.针对长文本中单词的重要性,设计一种基于注意力机制的池化算法,并应用于并行的CNN中.最终通过一个共享结构关联两个并行网络,使用因式分解进行预测评分.实验结果证实,该算法通过挖掘评论文本与描述信息,很大程度上解决了数据稀疏性问题,MAE与RMSE误差较经典算法降低约12%. (3)设计并实现一个电商原型系统,将上述两个算法封装成通用的推荐模块,以当今流行的微服务的形式应用其中,同时结合系统实际辅以相似推荐,提高用户的体验度与满意度.

基于深度学习的融合媒体新闻推送技术应用研究

在互联网,移动互联网的广泛应用下,当前人们面对丰富信息的同时也面临日益严重的信息过载问题,推荐引擎成为继搜索引擎之后的重要工具.但目前还没有一种普遍适用的推荐系统,相同的算法在不同的环境下的精确率也差异较大.近年来以深度学习为代表的人工智能技术在图像识别,自然语言处理等领域取得了优异成绩.通过结合大数据,前沿的深度学习方法和适当的推荐系统架构,研究针对于融合媒体环境的精准用户行为分析和个性化新闻内容推送技术.

基于深度学习的融合媒体新闻推送技术应用研究

在互联网、移动互联网的广泛应用下,当前人们面对丰富信息的同时也面临日益严重的信息过载问题,推荐引擎成为继搜索引擎之后的重要工具。但目前还没有一种普遍适用的推荐系统,相同的算法在不同的环境下的精确率也差异较大。近年来以深度学习为代表的人工智能技术在图像识别、自然语言处理等领域取得了优异成绩。本项目尝试通过结合大数据、前沿的深度学习方法和适当的推荐系统架构,研究针对于融合媒体环境的精准用户行为分析和个性化新闻内容推送技术。

基于规则和机器学习的核电文件分发系统研究

为解决核电文件分发面临准确性不高以及处理时间长的问题,文章提出建立一套自动化,智能化的文件分发系统方案,并从基于规则和利用机器学习进行文件智能化分发两个方面展开研究.通过对文件关键信息的识别和提取,建立基于关键信息的规则矩阵,同时附加规则执行反馈机制以完善规则矩阵.此外,对系统的数据来源和数据存储进行分析设计,借助机器学习完善分发规则以及利用算法计算出供系统使用的文件推荐列表.通过在原分发流程上增加规则引擎和智能推荐环节,大大增强了系统的自动化和智能化程度.从实际应用情况来看,智能化的文件分发系统能有效地提高分发准确性和及时性,实现了从人工向智能的跨越.为进一步提升应用效果,文章从语言算法模型和深度学习框架角度提出了后续的改进方向.

一种基于深度学习的智能推荐系统

本发明的一种基于深度学习的智能推荐系统,包括:车机端,云端,所述车机端与云端双向信号连接,其中,车机端包括:触点统一模块,AI引擎,数据采集统一模块;AI引擎用于向云端AI引擎平台提交车机端场景,车机端算法模型,数据采集统一模块负责统一采集车机端信号为AI算法容器提供信号输入适配层;云端包括云端AI引擎平台接收车机端场景,车机端算法模型,分别与云端场景,云端算法模型结合,对云端算法模型进行训练及发布;云端AI引擎平台包括:云端场景引擎,云端AI算法容器,大数据处理模块.本系统实现了车机端的智能推荐产品,通过车机端AI算法对信号的预处理,提升了云端智能推荐准确性及数据安全性.

基于多源异构数据的推荐系统研究与设计

互联网的快速发展以及线上内容的不断丰富促使人们步入大数据时代,数据的快速增长带来了严重的"信息过载"问题.用户难以从海量的数据中获取自己需要的信息,信息发布者难以找到与自己发布的内容相匹配的客户,推荐系统应运而生.此外,软件系统日趋复杂,网络内容日益丰富,推荐系统的数据来源和数据结构也更加多样化.在线数据和离线数据并存,非结构化数据在数据总量中的占比越来越大,推荐系统将面临多方面的挑战. 本文根据由YouTube提出的召回-排序推荐系统架构建立能够整合实时流式数据源和本地离线数据源的召回模型,融合结构化数据和非结构化数据的排序模型.在召回模型中,本文根据基于矩阵分解技术的协同过滤方法的模型更新方式,采用增量更新参数的方法,提高推荐模型的效率和准确性;排序模型则考虑到异构数据的输入编码方式和数据分布,使用了卷积神经网络,注意力和Inception等机制融合各类数据.该系统整合了现阶段主流的实时数据处理组件(Fluem,Kafka)和流式数据计算引擎Flink,运用了高效的协同过滤推荐模型和精确的深度学习推荐模型.各类组件和算法取长补短,相得益彰,从而提高推荐系统的性能.本论文的主要工作内容如下: 1,基于Flink和矩阵分解模型构建增量更新的召回模型,该模型整合在线增量数据和离线数据,此外融入注意力共享矩阵,提高召回模型的准确性和计算速度. 2,构建基于深度学习的排序算法,该模型使用卷积神经网络,注意力机制以及Inception机制,整合文本数据,离散型数据以及连续性数据等各类多源异构数据,提高排序阶段的算法准确度. 3,本文基于微服务框架,使用日志收集组件Flume,流式数据计算引擎Flink和消息队列Kafka构建了一套实时,高容错,可拓展的推荐系统.

AI赋能下体态语言与仪表礼仪课程个性化学习评价体系的构建与实践

传统的体态语言与仪表礼仪课程评价存在着主观性明显,评价标准不统一以及反馈不及时等方面的困难.本研究提出了一套基于AI的个性化学习评价系统,该系统采用了多模态数据采集,深度学习算法以及智能推荐引擎等相关技术,建立了包含静态形象与动态举止的多层次评价指标体系.经过16个教学单元的实践检验后,该评价体系在优化教学效果与提升学习体验方面成效显著,为高职院校礼仪课程的智能化升级提供了切实可行的技术方案与实践参考.