ZZZ___bj-CSDN博客

原创 Personality Enhanced Emotion Generation Modeling for Dialogue Systems

为了创造更具吸引力和真实性的互动体验，有必要考虑个性对情感生成的影响。本文提出了一种创新方法，将个性建模与对话系统的情感生成相结合。通过将个性特征纳入情感生成过程中，我们旨在创造更加个性化和与上下文相符的情感响应。基于大五人格模型和情感计算技术，我们的模型考虑了个性的个体差异，以生成与每个用户独特特征相一致的情感。

2024-02-29 11:37:00 895

原创 Cluster-Level Contrastive Learning for Emotion Recognition in Conversations

我们提出了一种新的低维监督聚类级对比学习（SCCL）方法，该方法首先将高维SCL空间简化为三维情感表示空间的效价-唤醒-优势（VAD），然后执行聚类级对比学习，以纳入可测量的情感原型。为了帮助建模对话和丰富上下文，我们利用预先训练过的知识适配器来注入语言和事实知识。

2024-02-28 11:32:17 823

原创 SUNET: Speaker-utterance interaction Graph Neural Network for Emotion Recognition in Conversations

摘要：在对话中进行情感识别（ERC）能够捕捉说话者在多轮对话中的情感变化，因此具有广泛的应用。近年来，由于图神经网络具有捕捉复杂的非欧几里德空间特征的能力，它们在ERC任务中被自然地广泛使用。然而，如何轻松有效地建模对话以提高ERC在复杂交互模式中的效果仍然需要探索。为此，我们提出了一种新的方法，构建了一个说话者-话语交互异构网络，有效地对上下文进行建模，同时考虑了说话者的全局特征。在此基础上，我们提出了一种基于说话者和相应话语交互的图神经网络，根据说话者的发言顺序动态更新话语和说话者的表示。

2024-02-27 15:00:40 903

原创 Automatically Select Emotion for Response via Personality-affected Emotion Transition

摘要：在情绪对话系统中，大多数现有的工作侧重于在回复中呈现指定的情绪，或对用户的情绪做出共情回复，但却忽略了情绪表达的个体差异。文章建议为对话系统配备人格，通过模拟人类在对话中的情绪转换，使其能够自动选择回复的情绪。详细来说，对话系统的情绪是由其前面的情绪过渡到上下文中。这种转换是由前面的对话环境触发的，并受指定的人格特征影响。为了实现这一目标，文章首先将对话系统中的情绪转换建模为前一情绪和回复情绪在情感空间（Valence-Arousal-Dominance，VAD）中的变化。然后，设计了神经网络来编码前

2024-02-25 15:37:18 856

原创 Contrast and Generation Make BART a Good Dialogue Emotion Recognizer

在对话系统中，具有相似语义的话语在不同的语境下可能具有不同的情感。因此，用说话者依赖来建模长期情境情绪关系在对话情绪识别中起着至关重要的作用。同时，区分不同的情绪类别也不是很简单的，因为它们通常具有语义上相似的情绪。为此，我们采用监督对比学习，使不同的情绪相互排斥，从而更好地识别相似的情绪。同时，我们利用一个辅助反应生成任务来增强模型处理上下文信息的能力，从而迫使模型在不同的上下文中识别具有相似语义的情绪。为了实现这些目标，我们使用预先训练好的编码器-解码器模型BART作为我们的主干模型，因为它非常适合于理

2023-12-07 08:56:55 111

原创 DualGATs: Dual Graph Attention Networks for Emotion Recognition in Conversations

捕捉复杂的语境依赖关系在对话中的情感识别（ERC）中起着至关重要的作用。以往的研究主要集中在说话者感知的语境建模上，而忽略了对话的话语结构。在本文中，我们引入了双图注意网络（DualGATs）来同时考虑话语结构和说话人感知语境的互补方面，旨在实现更精确的ERC。具体来说，我们设计了一个话语意识GAT（DisGAT）模块，通过分析话语间的话语依赖性来整合话语结构信息。此外，我们开发了一个说话者感知的GAT（SpkGAT）模块，通过考虑说话者在话语之间的依赖性来整合说话者感知的上下文信息。

2023-11-27 17:24:45 216 1

原创 PIRNet: Personality-Enhanced Iterative Refinement Network for Emotion Recognition in Conversation

对话中的情感识别（ERC）对于增强人机交互中的用户体验具有重要意义。与个体话语中的普通情绪识别不同，ERC的目的是将对话中的组成话语分类为相应的情绪标签，这使得上下文信息至关重要。除了情境信息外，个性特征也会影响基于心理发现的情绪感知。虽然研究人员已经提出了几种方法，并在ERC上取得了良好的结果，但目前在这一领域的工作很少纳入背景信息和个性影响。为此，我们提出了一个新的框架来无缝地整合这些因素，称为“个性增强迭代细化网络（PIRNet）”。具体来说，PIRNet是一种多阶段的迭代方法。

2023-11-22 16:36:27 990

原创 Speaker-Guided Encoder-Decoder Framework for Emotion Recognition in Conversation

对话中的情绪识别（ERC）任务的目的是预测会话中一个话语的情绪标签。由于说话者之间的依赖关系是复杂和动态的，包括说话者内部和间的依赖关系，因此说话者特定信息的建模在ERC中起着至关重要的作用。虽然现有的研究者提出了多种说话者交互建模方法，但他们不能共同探索说话人内部和说话人间的动态依赖，导致上下文语境理解不足，进一步阻碍了情绪预测。为此，我们设计了一种新的说话者建模方案，以动态的方式共同探索说话者内部和间的依赖关系。

2023-11-21 10:28:00 47

原创 Multi-behavior Recommendation with Graph Convolutional Networks

摘要传统的推荐模型通常只使用一种用户-项目交互，但面临着严重的数据稀疏性或冷启动问题。使用多种类型的用户-项目交互，如点击和收藏，可以作为一种有效的解决方案。早期对多行为推荐的努力未能捕捉到行为对目标行为的不同影响强度。它们还忽略了多行为数据中隐含的行为语义。这两个限制都使得数据没有被充分利用来改进目标行为上的推荐性能。在这项工作中，我们通过创新地构建一个统一的图来表示多行为数据，并提出了一个新的模型MBGCN（多行为图卷积网络）来解决这个问题。通过用户-项目传播层学习行为强度，通过项目-项目传播层捕获

2022-05-24 19:06:12 1682

原创 Are Graph Augmentations Necessary? Simple Graph Contrastive Learning for Recommendation

摘要对比学习(CL)最近在推荐领域激发了富有成效的研究，因为它从原始数据中提取自我监督信号的能力与推荐系统解决数据稀疏性问题的需求非常一致。基于CL的推荐模型的一个典型途径是首先用结构扰动去进行增强用户-项目二部图，然后最大化不同图增强之间的节点表示一致性。尽管这种模式被证明是有效的，但性能提高的基础仍然是一个谜。在本文中，我们首先通过实验揭示，在基于CL的推荐模型中，CL通过学习更统一的用户/项目表示来操作，这可以隐式地减轻流行偏差。同时，我们揭示了过去被认为是必要的，只是发挥一个微不足道的作用。.

2022-04-15 23:05:35 2949 4

原创 Contrastive Graph Learning for Social Recommendation

摘要：由于图神经网络(GNN)在高阶连通性学习表示方面的优势，基于GNN的协同过滤在推荐系统中得到了广泛的应用。此外，为了克服数据稀疏性问题，最近一些基于GNN的模型尝试将社交信息纳入其中，并设计对比学习作为辅助任务，以协助主要推荐任务。现有的GNN和基于对比学习的推荐模型以对称的方式学习用户和项目表示，并以复杂的方式利用社会信息和对比学习。上述两种策略导致这些模型要么对于用户和项之间严重不平衡的数据集无效，要么对于用户和项太多的数据集效率低下。在这项工作中，我们提出了一个对比图学习(CGL)模型，它以一

2022-04-13 18:46:26 1364

原创 Supervised Contrastive Learning For Recommendation

摘要：我们的目的是充分考虑对比学习在推荐系统场景中的应用，使其更适合于推荐任务。我们提出了一个监督对比学习框架来预训练用户-项目二部图，然后对图卷积神经网络进行微调。具体来说，我们将在数据预处理过程中比较用户与物品之间的相似度，然后在应用对比学习时，不仅将扩增视图视为正样本，还将一定数量的相似样本视为正样本，这与SimCLR不同，SimCLR将一批中的其他样本视为负样本。我们将这种学习方法称为监督对比学习(SCL)，并将其应用于最先进的LightGCN。此外，为了考虑节点交互的不确定性，我们还提出了一种.

2022-03-28 20:19:44 1965 2

原创 Improving Graph Collaborative Filtering with Neighborhood-enriched Contrastive Learning

摘要近年来，图协同过滤方法被提出作为一种有效的推荐方法，它可以通过建模用户-项目交互图来捕获用户对项目的偏好。尽管这些方法有效，但在实际场景中存在数据稀疏性。为了减少数据稀疏性的影响，在图协同过滤中采用了对比学习的方法来提高性能。然而，这些方法通常采用随机采样的方式构建对比对，忽略了用户（或项目）之间的相邻关系，不能充分利用推荐中对比学习的潜力。为了解决上述问题，我们提出了一种新的对比学习方法，即邻域增强对比学习，即NCL，它明确地将潜在的邻合并到对比对中。具体来说，我们分别从图结构和语义空间中引入一.

2022-03-18 14:31:07 3289 3

原创 Contrastive Meta Learning with Behavior Multiplicity for Recommendation

摘要一个好的推荐框架不仅可以帮助用户识别他们感兴趣的项目，还可以使得各种在线平台（如电子商务、社交媒体）从中获益。传统的推荐模型通常假设用户和项目之间只存在一种类型的交互，并且无法从多类型的用户行为数据建模多种用户-项目关系，如页面浏览、收藏和购买。虽然最近的一些研究提出了捕捉不同类型行为之间的依赖关系，但有两个重要的挑战较少探索：i) 处理目标行为（如购买）下的稀疏监督信号。ii) 通过指定的依赖关系建模来捕获个人的多行为模式。我们设计了一个新的模型CML，对比元学习(CML)，为不同的用户维护.

2022-03-11 20:38:33 3699 6

原创 Socially-Aware Self-Supervised Tri-Training for Recommendation

摘要自监督学习(SSL)可以从原始数据中自动生成真实样本，在改进推荐系统方面具有巨大的潜力。现有的基于ssl的方法通过节点/边dropout干扰原始数据图，生成新的数据视图，然后对不同视图进行基于对比学习的自识别，学习通用的表示。在该模式下，只在两个不同视图的节点之间建立一个双射映射，说明忽略了来自其他节点的自监督信号。由于在推荐系统中被广泛观察到的同质性，我们认为来自其他节点的监督信号也很有可能有利于推荐的表示学习。为了捕获这些信号，本文提出了一种集成三种训练的通用社会感知SSL框架。从技术上讲，我们.

2021-12-23 08:39:32 2586

原创 Self-supervised Graph Learning for Recommendation

对于推荐来说，用户-商品图的表示学习已经从使用单个ID或交互历史发展到利用高阶邻居，这导致了图卷积网络(GCNs)的成功推荐，如PinSage和LightGCN。尽管有效，但我们认为它们存在两个局限性：（1）高阶节点对表示学习有更大的影响，恶化了低阶（长尾）商品的推荐；（2）因为邻域聚合方案进一步扩大了观察边缘的影响，表示容易受到噪声交互的影响。在本研究中，我们探索了在用户-商品图上的自监督学习，以提高GCN作为推荐的准确性和鲁棒性。该思想是用一个辅助的自我监督任务来补充经典的推荐监督任务，通过自我鉴别.

2021-11-29 14:34:16 4530

原创 python、pytorch代码笔记

文件读写：①rb – 读取二进制文件，r – 读取文本文件 ②.pkl是python保存文件的一种文件格式，如果直接打开会显示一堆序列化的东西，需要使用r b类型来打开。③with open(‘data.txt’ + ‘dataset.pkl’, ‘rb’) as f 读取文件④mat 数据格式是Matlab的数据存储的标准格式loadmat() 读取.mat文件eg: import scipy.io as sciodataFile = ‘E://data.mat’data = sci..

2021-10-19 10:51:47 273

原创 Social Recommendation with Implicit Social Influence

Social Recommendation with Implicit Social Influence摘要社会影响对社会建议至关重要。目前基于影响的社交推荐安全驻点在于对观察到的社会联系的显式影响。然而，在实际情况下，隐性的社交影响也会以一种未被观察到的方式影响用户的偏好。在这项工作中，我们关注两种隐性影响：未观察到的人际关系的局部隐性影响，以及项目传播给用户的全局隐性影响。我们通过分别建模两种隐性影响，改进了最先进的基于GNN的社交推荐方法。局部隐性影响是通过预测未观察到的社会关系来实现的。全局隐性

2021-10-17 11:14:51 1313 3

原创 Should Graph Convolution Trust Neighbors? A Simple Causal Inference Method

摘要：最近对图卷积网络(GCNs)的研究揭示了局部自适应的有用性，它使调整邻居对目标节点表示的贡献成为可能。现有的工作通常通过引入一个额外的模块，如图注意力，它学习邻居节点的权重，去实现局部自适应。然而，这种方法在实际中效率不好，因为拟合训练数据并不一定会导致合理的局部自适应，特别是在数据标记很少的情况下。在一个正交的方向上，这项工作探索了如何在模型推理阶段实现局部自适应，这是一个很少得到关注的新角度。保持训练阶段不变性是普遍的主要优点——它可以应用于大多数GCNs，并提高其推断精度。给定一个训练过的G

2021-10-07 09:48:46 946

原创推荐论文笔记

优化器：1. 什么是优化器？优化器就是在深度学习反向传播过程中，指引损失函数（目标函数）的各个参数往正确的方向更新合适的大小，使得更新后的各个参数让损失函数（目标函数）值不断逼近全局最小。2. 优化器有哪些？ ① SGD 随机梯度下降每次从训练集中随机选择一个样本来进行学习优点：（1）每次只用一个样本更新模型参数，训练速度快（2）随机梯度下降所带来的波动有利于优化的方向从当前的局部极小值点跳到另一个更好的局部极小值点，这样对于非凸函数，最终收敛于一个较好的局部极值点，甚至全局

2021-09-28 19:29:07 180 1

原创 Knowledge-aware Coupled Graph Neural Network for Social Recommendation

知识感知耦合的图神经网络摘要社会推荐任务旨在通过结合用户之间的社会联系，预测用户对项目的偏好，从而缓解协作过滤的稀疏问题。虽然最近的许多努力表明了基于神经网络的社交推荐系统的有效性，但有几个重要的挑战尚未得到很好的解决：(i)大多数模型只考虑用户的社交联系，而忽略了项目间相互依赖的知识；(ii)大多数现有的解决方案都是为单一类型的用户-项目交互而设计的，这使得它们不能捕获交互的异质性；(iii)用户-项目交互的动态性质在许多具有社交感知能力的推荐技术中较少被探索。为了解决上述挑战，本工作提出了

2021-09-26 10:49:04 1285

原创 Social Influence Attentive Neural Network for Friend-Enhanced Recommendation

摘要：随着在线社交网络的蓬勃发展，在许多社交应用中出现了一种新的推荐场景，即朋友增强推荐 (FER)。在FER中，推荐用户使用其朋友（称为朋友推荐圈）喜欢/共享的项目。这些朋友的推荐会被显式地显示给用户。与传统的卷积社交推荐不同，FER中独特的朋友推荐圈可能会显著改变推荐范例，使用户更加关注增强的社交因素。在本文中，我们首先提出FER问题，并提出一种新的社交影响注意力神经网络(SIAN)解决方案。...

2021-06-21 19:32:54 519

原创 Java面试总结

2021.6.7java1. java集合有哪些？2. Map的底层实现？3. 面向对象的特征有哪些方面？抽象、集成、多态、封装4. Java异常有哪几类？ Nullpointerexception "空指针异常" classnotfoundexception "指定的类不存在" RuntimeException "运行时异常" IOException “I/O异常“”SSM框架1. spring，springMVC，springboot的区别有哪些？ ①s

2021-06-13 15:29:44 216 2

原创刷题Leetcode342 4的幂

题目链接：https://leetcode-cn.com/problems/power-of-four/参考题目解题链接：(刷题Leetcode231 2 的幂) https://blog.csdn.net/ZZZ___bj/article/details/117402516?spm=1001.2014.3001.5501题解思路：普通思想（使用循环）：将“刷题Leetcode231 2 的幂”中2换为4，对4取余，对4整除进阶思想（不使用循环）：1.判断是否是2的幂（&）2.

2021-05-31 08:31:10 121

原创刷题Leetcode231 2 的幂

题目地址：https://leetcode-cn.com/problems/power-of-two/题解思想：普通思想（使用循环）： 1. 2的幂，首先排除0与负数，都为false 2. 对2取余，若出现余数不为0，则代表不能被2整除，为false。若余数为0，则循环除以2再取余。 3. 若最后为1，则代表一直被2整除结束，为true进阶思想（不使用循环）：普通题解代码：def isPowerOfTwo(n): if(n <= 0): return Fa

2021-05-30 19:47:08 162

原创刷题Leetcode 剑指 Offer03数组中重复的数字

题目链接：https://leetcode-cn.com/problems/shu-zu-zhong-zhong-fu-de-shu-zi-lcof/题解思路： 1. 先排序（不排序则超时） 2. 循环看相邻元素是否有相同的，有直接return 注意：python中，排序函数为sorted，nums = sorted(nums)，则nums列表才真正变化题解代码：class Solution(object): def findRepeatNumber(self, nums)

2021-05-30 18:51:49 101

原创刷题Leetcode477 汉明距离总和

题目地址链接：https://leetcode-cn.com/problems/total-hamming-distance/题解思路：大致思路: 1. 计算数组中每两个数字的汉明距离和 2. 若长度为n的数组的所有元素二进制的第i位共有c个1，n−c个0，则些元素在二进制的第i位上的汉明距离之和为c⋅(n−c) 3. 使用十进制转二进制的方法判断第i位是否为0或1详细思路：比如有3个数(用二进制表示) (方向从右到左<-，分别为第1位、第2位...) 第一个数 a: 1 0

2021-05-30 18:44:10 150

原创 Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

摘要：在推荐系统中，当用户-物品交互数据比较稀疏时，通常使用社会关系来提高推荐质量。大多数现有的社交推荐模型利用成对关系来挖掘潜在的用户偏好。然而，现实生活中用户之间的互动非常复杂，用户关系可能是高阶的。Hypergraph提供了一种自然的方法来建模复杂的高阶关系，而它在改善社会推荐方面的潜力还有待开发。在本文中，我们填补了这一空白，提出了一个多通道超图卷积网络，利用高阶用户关系来增强社交推荐。从技术上讲，网络中的每个通道都通过超图卷积来编码一个超图，该超图描绘了一个常见的高阶用户关系模式。通过聚合多个渠

2021-05-16 10:27:17 5564

原创 Graph Neural Networks for Social Recommendation 论文解读

Graph Neural Networks for Social Recommendation论文解读摘要：近年来，图神经网络可以自然地整合节点信息和拓扑结构，因此已被证明在图表数据的学习中具有强大的能力。GNNs的这些优点为推进社交推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社会图和用户-项目图；而且学习用户和项目的潜在因素是关键。然而，构建基于GNNs（图神经网络）的社交推荐系统面临着挑战。例如，用户项目图对交互及其相关的意见进行编码（the user-item grap

2021-04-02 16:09:19 3284 1

个性增强迭代细化网络用于对话情绪识别

SUNET: Emotion Recognition in Conversations

gson所需jar包

微信开发所需jar包

springmvc，hibernate的校验框架validation所需要的validation-api-1.0.0.GA.jar包

springmvc，hibernate的校验框架validation所需要的jboss-logging-3.1.1.GA.jar包

springmvc，hibernate的校验框架validation所需要的重要jar包

空空如也