人工智能下载列表第429页

[深度学习] 基于GPT2的中文聊天模型

说明：https://gitee.com/chenyang918/GPT2-chitchathttps://gitee.com/chenyang918/GPT2-chitchathttps://gitee.com/chenyang918/GPT2-chitchat
<weixin_32759777> 上传 | 大小：575mb

说明：：传统的协同过滤推荐技术主要基于用户-项目评价数据集进行挖掘推荐，没有有效地利用用户通信上下文信息，从而制约其进一步提高推荐的精确性。针对传统协同过滤推荐算法存在的推荐精度不高的弊端，在协同过滤算法中融入通信上下文信息，引入了通信信任、相似信任和传递信任三个信任度，并提出了一种基于信任的协同过滤推荐模型。通过公开数据集验证测试，证明提出的推荐算法较传统的协同过滤推荐技术在推荐准确性上有较大提高。
<weixin_44248112> 上传 | 大小：1mb

[机器学习] 基于多重关系的标记时间点过程建模.pdf

说明：带有标记和计时信息的事件序列可在广泛的领域中使用，从自动火车监控系统中的机器记录到社交网络中的信息级联。根据历史事件序列，预测下一个事件将在何时发生以及何时将发生将可以使许多有用的应用受益，例如大规模快速列车的维护服务时间表以及社交网络中的产品广告。由于时间点过程（TPP）能够捕获事件之间的时间依赖性，因此它是解决下一事件预测问题的有效解决方案。最近的递归时间点过程（RTPP）方法利用递归神经网络（RNN）摆脱了TPP密度函数中的参数形式假设。但是，大多数现有的RTPP方法仅关注事件之间的时间依
<weixin_44248112> 上传 | 大小：1mb

[机器学习] 人脸检测示例.zip

说明：自动人脸检测matlab版，需要填充两张格式为.bmp的图片，用黑白色测试出人脸轮廓，眼睛，鼻子等面部部位
<weixin_44248112> 上传 | 大小：607kb

[机器学习] 通过轨迹数据分析推断乘客行为

说明：Several works have been proposed for both collective and individual trajectory behavior discovery, as flocks, outliers, avoidance, chasing, etc. In this paper we are especially interested in abnormal behaviors of individual trajectories of drivers, a
<weixin_44248112> 上传 | 大小：518kb

[机器学习] 基于KL散度与JS散度相似度融合推荐算法.pdf

说明：针对目前大多数推荐算法在计算项目或用户之间的相似度时只依赖于用户之间的共同评分项，由于用户－项目签到矩阵的高稀疏性，导致推荐结果不准确问题，提出一种改进的协同过滤推荐算法．该算法基于每个项目基分值概率分布使用 KL 散度计算项目之间的显性反馈相似度，再融合隐狄利克雷主题分配模型，得到每个项目属于 T 个主题的概率分布，使用 JS 散度计算出项目之间隐性反馈相似度，将两个相似度融合后融入到传统基于项目的协同过滤算法中并应用到兴趣点推荐，缓解数据稀疏性问题的同时提高了推荐质量．在点
<weixin_44248112> 上传 | 大小：2mb

[机器学习] 面向用户的航迹搜索以推荐行程

说明：近年来，轨迹共享和搜索受到了极大的关注。在本文中，我们提出并研究了一个名为“用户导向的轨迹搜索”（UOTS）的旅行推荐新问题。与按位置进行常规轨迹搜索（仅针对空间域）相比，我们在新的UOTS查询中同时考虑了空间域和文本域。在给定轨迹数据集的情况下，查询输入包含旅行者给出的一组预期地点以及描述旅行者偏好的一组文本属性。如果一条轨迹正连接到/靠近指定的查询位置，并且该轨迹的文本属性与旅行者的偏好相似，则将推荐给旅行者以供参考。这种类型的查询可以为旅行计划和推荐等许多流行应用程序中的旅行者带来很多好处
<weixin_44248112> 上传 | 大小：313kb

[机器学习] 融合时间序列的POI动态推荐算法.pdf

说明：兴趣点( POI) 的签到数据体现了用户的偏好和兴趣点的分布特征，这在兴趣点推荐领域有极为重要的价值．为了缓解数据稀疏造成的推荐不准确等问题，本文提出了融合时间序列的 POI 动态推荐算法，结合用户与用户之间的关系、兴趣点位置以及流行度信息等．首先划分时间序列，得到时间因子的相似度;其次时间序列融入到基于用户的协同过滤算法，再根据时间的连续性特征得到基于用户的预测评分，然后将地理影响因子与基于时间的流行度信息结合，预测用户的评分，进而与基于用户的评分加权融合;最后，在 Gowalla
<weixin_44248112> 上传 | 大小：398kb