基于深度多任务学习的社交图像标签和分组联合推荐
随着在线社交的多媒体共享网站的蓬勃发展,社交图像推荐逐渐成为研究热点.人们通常对社交图像进行标签化、分组化,使得图像数据更加易于管理.传统的图像标签或分组推荐方法往往只关注特定任务,忽略了标签推荐和分组推荐任务之间的隐含关系.多任务学习则可以充分挖掘不同任务对图像的共享或相互关联的隐含表示,融合多种任务抽取图像特征,对于提高单一任务的准确性具有积极意义.因此,文中提出了一种基于深度多任务学习的社交图像标签和分组联合推荐模型.该方法使用基于比较的偏序学习深度网络分别进行标签推荐和分组推荐,有效缓解了单任务中的数据稀疏性问题.此外,在处理社交图像视觉特征的卷积神经网络中,首先使用多任务学习将来自不同任务的中间层特征进行连接,然后通过卷积实现降维和特征的自动融合,使得不同任务的图像特征得到共享,同时降维后的融合特征能够满足下一层卷积神经网络的尺寸要求,使得单一任务的整体结构得以保持.从大量 Flickr图片共享网站上爬取的真实数据集上的实验结果表明,与现有经典推荐算法相比,所提算法获得的准确率和召回率均有较大提升,证明了该方法的有效性和可行性.
多任务学习、分组推荐、标签推荐、偏序学习、特征融合、联合推荐
47
TP391.3(计算技术、计算机技术)
国家自然科学基金;国家重点研发计划课题;山东省高等学校科技计划项目;山东省高等学校"青创科技计划"立项支持;山东省高等学校优势学科人才团队培育计划
2020-12-28（万方平台首次上网日期，不代表论文的发表时间）
共6页
177-182
