-
Patent Agency Ranking
公开(公告)号：CN114021011A
公开(公告)日：2022-02-08
申请号：CN202111299901.1
申请日：2021-11-04
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/02 , G06N3/08
Abstract: 本发明公开了一种基于自注意力机制的下一个兴趣点推荐方法，首先对序列信息、时空信息以及上下文相关的动态社会关系进行集成建模；其次设计了两个并行通道(长/短期通道)建模用户及其好友的长/短期偏好，利用自注意力机制捕获用户任意两个历史签到之间的长距离依赖关系；最后预测用户在下一时刻对兴趣点的偏好得分。本发明将用户与兴趣点之间的交互构造成L2L图，L2L图表示兴趣点之间地理距离的接近程度，它实质上是一个加权无向图，其中一个顶点代表一个兴趣点，边表示兴趣点之间的空间相关性，边上权重表示地理距离，是一种自注意力网络可以处理的图数据，很好的利用了自注意力网络的优势，使得模型更容易训练和泛化。
-
公开(公告)号：CN112016002A
公开(公告)日：2020-12-01
申请号：CN202010827764.3
申请日：2020-08-17
Applicant: 辽宁工程技术大学
IPC: G06F16/9536 , G06F40/30 , G06N3/04 , G06K9/62 , G06N3/08
Abstract: 本发明公开了一种融合评论文本层级注意力和时间因素的混合推荐方法，步骤为：对单条评论文本中的单词应用单词级注意力，得到单条评论文本的编码；对含有时间因素的用户评论集和项目评论集分别应用评论级注意力，得到用户和项目编码。本发明的融合评论文本层级注意力和时间因素的混合推荐方法将时间特征引入用户评论集和项目评论集，来捕捉用户的动态偏好和项目动态特征，采用BI-LSTM(双向长短期记忆网络)为评论文本中的单词之间建立上下文依赖关系，能够有效的提取评论文本中的语义信息，对带有时间因素的用户评论集和带有时间因素的项目评论集分别应用评论级注意力网络，来关注近期有效的评论文本，挖掘用户偏好和项目特征的动态变化。
-
公开(公告)号：CN114021011B
公开(公告)日：2024-09-10
申请号：CN202111299901.1
申请日：2021-11-04
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/02 , G06N3/08
Abstract: 本发明公开了一种基于自注意力机制的下一个兴趣点推荐方法，首先对序列信息、时空信息以及上下文相关的动态社会关系进行集成建模；其次设计了两个并行通道(长/短期通道)建模用户及其好友的长/短期偏好，利用自注意力机制捕获用户任意两个历史签到之间的长距离依赖关系；最后预测用户在下一时刻对兴趣点的偏好得分。本发明将用户与兴趣点之间的交互构造成L2L图，L2L图表示兴趣点之间地理距离的接近程度，它实质上是一个加权无向图，其中一个顶点代表一个兴趣点，边表示兴趣点之间的空间相关性，边上权重表示地理距离，是一种自注意力网络可以处理的图数据，很好的利用了自注意力网络的优势，使得模型更容易训练和泛化。
-
公开(公告)号：CN112905900B
公开(公告)日：2023-11-17
申请号：CN202110363686.0
申请日：2021-04-02
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/042 , G06N3/0464 , G06N3/045 , G06N3/08
Abstract: 本发明公开了一种基于图卷积注意力机制的协同过滤推荐方法，该方法包括：首先是数据采集、处理以及划分数据集，其次是GACF模型的构建，最后是模型训练以及通过预测用户与项目之间的关联分数进行推荐。本发明提出的图卷积注意力机制协同过滤模型，首先利用图嵌入技术将用户‑项目的交互信息映射到向量空间，然后通过图卷积网络学习用户‑项目交互图的嵌入表达，再利用注意力机制为邻居节点分配不同的权重，聚合邻居节点的特征信息可使邻居节点之间的权重仅依赖于节点之间的特征表达，从而提高模型的泛化能力，最后将图卷积层学习到的多个嵌入向量加权聚合，得到用户‑项目之间的关联分数。
-
公开(公告)号：CN112905900A
公开(公告)日：2021-06-04
申请号：CN202110363686.0
申请日：2021-04-02
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于图卷积注意力机制的协同过滤推荐算法，该方法包括：首先是数据采集、处理以及划分数据集，其次是GACF模型的构建，最后是模型训练以及通过预测用户与项目之间的关联分数进行推荐。本发明提出的图卷积注意力机制协同过滤模型，首先利用图嵌入技术将用户‑项目的交互信息映射到向量空间，然后通过图卷积网络学习用户‑项目交互图的嵌入表达，再利用注意力机制为邻居节点分配不同的权重，聚合邻居节点的特征信息可使邻居节点之间的权重仅依赖于节点之间的特征表达，从而提高模型的泛化能力，最后将图卷积层学习到的多个嵌入向量加权聚合，得到用户‑项目之间的关联分数。
-
-
-
-
Search Results
5
records
(took 0.023 seconds)
