公开(公告)号：CN112084428A

公开(公告)日：2020-12-15

申请号：CN202010979827.7

申请日：2020-09-17

Applicant: 辽宁工程技术大学

Inventor： 张全贵 ,  任思楠 ,  李鑫

IPC: G06F16/9536 ,  G06F16/36 ,  G06N3/04 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明公开了一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法(SCKG‑CF)，包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑了知识图(Knowledge Graph)的效用，通过将项目与其属性链接来打破独立交互假设，以端到端的形式显式地对知识图中的高阶连接进行建模；引入用户的社交网络图，考虑社交网络对推荐的影响，并使用注意力机制来区分邻居和社交关系的重要性，使推荐系统具有更好的推荐效果和可解释性；本发明在通过注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。

公开(公告)号：CN112084407B

公开(公告)日：2024-03-12

申请号：CN202010934802.5

申请日：2020-09-08

Applicant: 辽宁工程技术大学

Inventor： 张全贵 ,  任思楠 ,  李鑫

IPC: G06F16/9535 ,  G06N3/0464 ,  G06Q10/10 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种融合图神经网络和注意力机制的协同过滤推荐方法(AGCF)，该方法包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑在图结构中学习嵌入表示，通过嵌入传播在用户项目交互图上建模高阶连通性，让模型可以表达高维特征，显式地将协同过滤信号映射到嵌入过程中，获得更有效的嵌入；在得到的特征矩阵上引入CNN(Convolutional Neural Network)学习特征中每一维度之间的高阶相互关系，CNN尤其能抓住矩阵的局部和全局信息特征，而且具有较少的参数，因此更容易训练和泛化，另外，分层的塔式结构也使得高层集成了更丰富的信息，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。

公开(公告)号：CN112084428B

公开(公告)日：2024-02-02

申请号：CN202010979827.7

申请日：2020-09-17

Applicant: 辽宁工程技术大学

Inventor： 张全贵 ,  任思楠 ,  李鑫

IPC: G06F16/9536 ,  G06F16/36 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08 ,  G06Q50/00

Abstract: 本发明公开了一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法(SCKG‑CF)，包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑了知识图(Knowledge Graph)的效用，通过将项目与其属性链接来打破独立交互假设，以端到端的形式显式地对知识图中的高阶连接进行建模；引入用户的社交网络图，考虑社交网络对推荐的影响，并使用注意力机制来区分邻居和社交关系的重要性，使推荐系统具有更好的推荐效果和可解释性；本发明在通过注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。

公开(公告)号：CN112084407A

公开(公告)日：2020-12-15

申请号：CN202010934802.5

申请日：2020-09-08

Applicant: 辽宁工程技术大学

Inventor： 张全贵 ,  任思楠 ,  李鑫

IPC: G06F16/9535 ,  G06Q10/10 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种融合图神经网络和注意力机制的协同过滤推荐方法(AGCF)，该方法包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑在图结构中学习嵌入表示，通过嵌入传播在用户项目交互图上建模高阶连通性，让模型可以表达高维特征，显式地将协同过滤信号映射到嵌入过程中，获得更有效的嵌入；在得到的特征矩阵上引入CNN(Convolutional Neural Network)学习特征中每一维度之间的高阶相互关系，CNN尤其能抓住矩阵的局部和全局信息特征，而且具有较少的参数，因此更容易训练和泛化，另外，分层的塔式结构也使得高层集成了更丰富的信息，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。