Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Algoritmo de recomendación de imágenes combinado con una red neuronal profunda diseñada para redes sociales.
En los últimos años, las redes neuronales profundas han logrado un gran éxito en muchos campos, como la visión por computadora y el procesamiento del lenguaje natural. Los algoritmos tradicionales de recomendación de imágenes utilizan métodos de recomendación basados en texto. El proceso de mostrar imágenes requiere mucho tiempo y trabajo, y el trabajo que consume tiempo es ineficiente. Por lo tanto, este artículo estudia principalmente algoritmos de recomendación de imágenes basados en redes neuronales profundas en redes sociales. Primero, de acuerdo con la información de la marca de tiempo del conjunto de datos, se ordenan los registros de interacción de cada usuario por el tiempo más cercano. Luego, se crean algunos vectores de características a través de algoritmos de características tradicionales como LBP, BGC3, RTU o extracción de CNN. Para la recomendación de imágenes, se establecen dos redes neuronales LSTM, que aceptan estos vectores de características como entrada, respectivamente. La salida comprimida de las dos subredes neuronales LSTM se utiliza como entrada de otra red neuronal LSTM. Se adopta el algoritmo de regresión multinivel para
Autores: Du, Shaohui; Chen, Zhenghan; Wu, Haoyan; Tang, Yihong; Li, YuanQing
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículos
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
Hindawi
Complexity
Volume , Article ID 5196190, 9 pages
https://doi.org/10.1155/2021/5196190
Du Shaohui0, Chen Zhenghan0, Wu Haoyan0, Tang Yihong0, Li YuanQing0
Saint-Petersburg State University Russia, Perking University China, Beijing Jiaotong University China, Northeastern University at Qinhuangdao China, University of Bristol UKAcademic Editor: Chen Huihua
Contact: @hindawi.com
En los últimos años, las redes neuronales profundas han logrado un gran éxito en muchos campos, como la visión por computadora y el procesamiento del lenguaje natural. Los algoritmos tradicionales de recomendación de imágenes utilizan métodos de recomendación basados en texto. El proceso de mostrar imágenes requiere mucho tiempo y trabajo, y el trabajo que consume tiempo es ineficiente. Por lo tanto, este artículo estudia principalmente algoritmos de recomendación de imágenes basados en redes neuronales profundas en redes sociales. Primero, de acuerdo con la información de la marca de tiempo del conjunto de datos, se ordenan los registros de interacción de cada usuario por el tiempo más cercano. Luego, se crean algunos vectores de características a través de algoritmos de características tradicionales como LBP, BGC3, RTU o extracción de CNN. Para la recomendación de imágenes, se establecen dos redes neuronales LSTM, que aceptan estos vectores de características como entrada, respectivamente. La salida comprimida de las dos subredes neuronales LSTM se utiliza como entrada de otra red neuronal LSTM. Se adopta el algoritmo de regresión multinivel para
Descripción
En los últimos años, las redes neuronales profundas han logrado un gran éxito en muchos campos, como la visión por computadora y el procesamiento del lenguaje natural. Los algoritmos tradicionales de recomendación de imágenes utilizan métodos de recomendación basados en texto. El proceso de mostrar imágenes requiere mucho tiempo y trabajo, y el trabajo que consume tiempo es ineficiente. Por lo tanto, este artículo estudia principalmente algoritmos de recomendación de imágenes basados en redes neuronales profundas en redes sociales. Primero, de acuerdo con la información de la marca de tiempo del conjunto de datos, se ordenan los registros de interacción de cada usuario por el tiempo más cercano. Luego, se crean algunos vectores de características a través de algoritmos de características tradicionales como LBP, BGC3, RTU o extracción de CNN. Para la recomendación de imágenes, se establecen dos redes neuronales LSTM, que aceptan estos vectores de características como entrada, respectivamente. La salida comprimida de las dos subredes neuronales LSTM se utiliza como entrada de otra red neuronal LSTM. Se adopta el algoritmo de regresión multinivel para