Human-Centric Intelligent Systems 期刊推介&文章推荐

Human-Centric Intelligent Systems (eISSN 2667-1336) 是一本国际化的，经过严格同行评审的开放获取期刊，致力于传播 “以人中心的智能系统” 中所有相关理论和实际应用的最新研究成果，并提供以人中心的计算与分析领域的前沿理论和算法见解。HCIS由西南交通大学计算机与人工智能学院李天瑞教授与澳大利亚悉尼科技大学计算机科学学院徐贯东教授担任主编，由东京大学计算机科学学院Masaru Kitsuregaw教授与伊利诺伊大学芝加哥分校计算机科学学院Philip S. Yu 教授担任顾问委员。本刊将执行严格的单盲同行评审，采取开放获取（Open Access）模式出版发行，不收取任何费用。所有出版的文章作者保留版权，读者永久免费下载、阅读。

本刊征稿主题包括但不限于

• 社群检测

• 社会影响分析

• 用户建模、个性化和推荐
  

• 行为建模

• 分类、排序、总结和推荐

• 人工智能伦理：可解释性、公平、责任

文章列表

1. Human-Centric Intelligent Systems: A Welcome Note from Editor(s)-in-Chief

作者：Tianrui Li, Guandong Xu

原文链接：https://doi.org/10.2991/hcis.k.210624.001

摘要：《以人为中心的智能系统》期刊致力于发表有关智能技术与人类和谐发展关系的理论和实践方面的最新研究。由于人类的积极参与，各种围绕人类的智能系统在不断呈现人类与系统间有效体验的同时，获得了持续升级优化，因此，以人为中心的智能系统变得越来越重要。它打破了以前人工智能解决方案的界限，通过开发机器智能与系统，实现理解人类的语言、情感与行为以及人类与系统之间的有机交互，以弥合机器与人之间的鸿沟，推动人类社会文明进步。

2. Deep Visual Analytics (DVA): Applications, Challenges and Future Directions

作者：Md Rafiqul Islam, Shanjita Akter, Md Rakybuzzaman Ratan, Abu Raihan M. Kamal, Guandong Xu

原文链接：https://dx.doi.org/10.2991/hcis.k.210704.003

摘要：近年来，可视化分析(VA)在解决各类复杂问题方面得到了广泛关注。然而，设计和运用大规模数据的交互式可视化分析系统极具挑战性。虽然现有研究已经运用了各种数据分析技术，去分析和可视化有洞察力的信息，但深度可视化分析(DVA)作为一项有前景的技术，可以提供输入证据，解释系统结果。本研究提出了几种可视化数据分析的深度学习(DL)技术，综述了国内外针对以下几方面的研究现状 (i)大数据分析，(ii)认知与感知科学，(iii)客户行为分析，(iv)自然语言处理，(v)推荐系统，(vi)医疗保健分析，(vii)金融科技生态系统，(viii)旅游管理。本文提出了新兴DVA研究在可视化领域的开放式研究挑战。同时，探索了现有文献中有助于探索未来研究的关键主题。综上所述，本研究旨在帮助深入学习与可视化分析的读者和研究人员理解用于数据分析的交互式DVA的关键要点。

3. An Empirical Study of Learning Based Happiness Prediction Approaches

作者：Miao Kong, Lin Li, Renwei Wu, Xiaohui Tao

原文链接：https://doi.org/10.2991/hcis.k.210622.001

摘要：当今社会，研究者们越来越关注幸福感。从大数据角度来研究幸福感是一项非常有趣的工作。在心理学领域，大数据的应用越来越广泛，其从一种全新的数据驱动的视角进行心理学分析。目前机器学习研究方面的进展，尤其是深度学习，为传统心理学研究提供了新的研究方法。本文通过实验对比分析了一系列基于机器学习的幸福感预测方法及其融合预测质量。利用“中国综合社会调查”（CGSS）项目提供的数据，本文给出了各种幸福感预测方法的实验结果并探究了影响幸福感的因素。从特征工程、预测建模和预测评价等三个阶段，本文讨论了影响幸福感的相关因素并研究了不同结果融合模型对幸福感预测的效果。实验结果表明对幸福度影响比较大的因素包括社会态度（公平性）、家庭变量（家庭资本）和个体变量（心理健康、社会经济状态以及社会地位）。此外，通过这五种特征建立的幸福感预测模型中，boosting在模型融合中效果最好。

4. Interactive Attention-Based Convolutional GRU for Aspect Level Sentiment Analysis

作者：Lisha Chen, Tianrui Li, Huaishao Luo, Chengfeng Yin

原文链接：https://doi.org/10.2991/hcis.k.210704.002

摘要：方面级情感分析旨在识别给定语句中特定方面术语的情感极性。大部分基于深度学习的方法将循环神经网络（RNN）及其变体与注意力机制相融合，以建模上下文词汇对情感极性的影响。在近期的研究方法中，卷积神经网络（CNN）和门控机制也被引入以获得复杂的语义特征。然而，现有的方法并未意识到充分结合RNN的序列建模能力和CNN的高维度特征提取能力的重要性。针对这一问题，本文提出了一种全新的解决方案，即，基于交互式注意力机制的卷积双向门控循环单元（IAC-GRU）。IAC-GRU不仅将Bi-GRU提取到的序列特征融合到了CNN中以准确预测情感极性，还分别建模了上下文词汇和方面术语并学习两者之间的相互影响。此外，本文还将位置信息和词性标注信息作为先验知识融合到了嵌入层中。在SemEval2014数据集上进行的实验结果表明了本文模型的有效性。

5. Semantic Knowledge Discovery for User Profiling for Location-Based Recommender Systems

作者：Xiaohui Tao, Nischal Sharma, Patrick Delaney, Aimin Hu

原文链接：https://doi.org/10.2991/hcis.k.210704.001

摘要：本文介绍了一种基于位置的推荐系统(LBRS)，该系统结合情感分析和主题建模技术去改进用户画像，从而提高兴趣点(POIs)推荐。通过提取其它特征，我们从Foursquare数据集构建了用户配置文件以充实该模型，并根据用户对地点的意见提供建议。与基线模型相比，该组合模型表现良好，总体精度提高至0.67。本文的局限性在于只使用了一个数据集并且用户的配置文件是利用预测情绪构建的。作为一种特征，这些情绪是从主题建模的用户反馈数据中提取出来的，而不是直观意义上的用户情绪。然而，这款组合模型在用户配置文件与情感评分方面奠定了基础，进一步推进了旅游业领域中LBRS的应用发展。

6. Context-Based User Typicality Collaborative Filtering Recommendation

作者：Jinzhen Zhang, Qinghua Zhang, Zhihua Ai, Xintai Li

原文链接：https://doi.org/10.2991/hcis.k.210524.001

摘要：本文提出了一种基于上下文的用户典型性协同过滤推荐算法（CBUTCF），该算法将上下文信息与用户典型性相结合，以减轻上下文感知协同过滤的数据稀疏性，并提取、度量和集成上下文信息。首先，将项目进行聚类，并将其分类为不同的项目类型。对于不同的用户，通过知识粒度来定义和衡量不同项目类型的上下文信息的重要度。然后，将上下文信息与用户典型性相结合，以度量基于上下文的用户典型性；随后，确定“邻居”用户。最后，对单个上下文下的未知评分进行预测，并根据上下文信息重要度的加权总和，预测多上下文下的未知评分。实验结果表明，CBUTCF可以有效地提高推荐的准确性，提高推荐覆盖率。