AI中国网 https://www.cnaiplus.com
近日，晶赞科技CEO汤奇峰携手复旦大学计算机科学技术学院吕智慧教授研究团队，在著名的SCI国际期刊《Applied Soft Computing Journal》上发表了人工智能深度学习论文“Recurrent Tensor Factorization for time-aware service recommendation”（基于递归张量分解的时间感知的服务推荐方法）。
随着“一切皆服务”时代的到来，互联网上网络服务的出现正经历着指数增长的趋势。如何向使用序列历史记录的用户推荐服务已成为服务计算中最具挑战性的研究课题之一。张量因式分解(TF)和长期短时记忆(LSTM)网络是序列服务推荐任务的两种典型应用模式。然而，TF只能学习用户与服务之间的静态短期依赖模式，而忽略了用户与服务之间的动态长期依赖模式。虽然深度学习中的LSTM可以学习动态的长期依赖模式，但由于其复杂的门控机制，常常会出现梯度消失的问题。
为了应对这些关键挑战，汤奇峰等人撰写的《基于递归张量分解的时间感知的服务推荐方法》，提出了一种基于人工智能深度学习的递归张量分解模型（RTF）来完成时间感知的服务推荐，具有以下三个创新点：（1）将用户服务时间的三维交互张量颗粒化为3个固定大小的嵌入密集向量。（2） 个性化门控递归单元（PGRU）和广义张量分解（GTF）同时进行共享嵌入密集向量，分别记忆用户和服务之间的长期和短期依赖模式。（3）利用GTF和PGRU，RTF能够通过综合分析预测未知的服务质量（QoS）。
据了解，《Applied Soft Computing Journal》期刊影响因子达3.435，是信息系统领域的顶级期刊。期刊主要推广软计算的综合观点，以解决实际生活问题。重点是发表在模糊逻辑、神经网络、进化计算、粗糙集和其他类似技术领域的应用和收敛方面的最高质量研究，以解决现实世界的复杂性。
AI中国网 https://www.cnaiplus.com
本文网址：
