-
公开(公告)号：CN109543100A
公开(公告)日：2019-03-29
申请号：CN201811287804.9
申请日：2018-10-31
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本发明提供了一种基于协同学习的用户兴趣建模方法和系统，利用用户的历史交互行为数据和辅助信息数据，协同地对用户兴趣进行建模，给用户推荐符合心理的物品。在训练阶段中，利用两个变分自编码器(VAE)对两种信息分别进行编码，得到两个表征用户兴趣的变分分布，同时提出利用协同学习机制对两个变分分布进行相互约束。在预测阶段中，根据新用户的历史交互行为数据或者辅助信息数据为其推荐新的物品。采用变分分布来表征用户兴趣爱好，在两个变分自编码器之间设计了基于相对熵的协同学习训练，使得两个变分自编码器利用两种数据能够相互增强，从而使变分分布能够更加准确的表征用户兴趣，进而为用户推荐出更加符合心理的物品。
-
公开(公告)号：CN109523012A
公开(公告)日：2019-03-26
申请号：CN201811184604.0
申请日：2018-10-11
Applicant: 上海交通大学
Abstract: 本发明提供一种基于变分解耦合方式对符号有向网络的表达学习方法，读取社交网站的符号有向网络数据，符号有向网络数据主要包括节点间边正负和方向的网络数据；令符号有向网络数据根据符号进行分离，得到正无向图、负无向图，所述正无向图用邻接矩阵A+表示，所述负无向图用邻接矩阵A-表示；令邻接矩阵A+、A-输入至变分解耦合编码器，进行节点编码后的向量表达学习，记为学习后向量表达；基于符号有向网络中节点间的关系构建结构解码器，依照目标损失函数进行修正，得到优化后向量表达；令优化后向量表达应用于设定的数据挖掘任务。通过分离符号有向网络形成正无向网络、负无向网络，学习节点的符号化局部连续性特征，充分挖掘节点间的依赖性模式，适合于社交网络中用户推荐。
-
公开(公告)号：CN109446413A
公开(公告)日：2019-03-08
申请号：CN201811116273.7
申请日：2018-09-25
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F17/16 , G06N3/08 , G06Q30/06
Abstract: 本发明提供一种基于物品关联关系的序列化推荐方法，从网络端获取用户与物品之间的交互数据；令交互数据构建物品的共生关系图，所述共生关系图用关联关系图邻接矩阵进行表示；令关联关系图邻接矩阵进行图卷积操作，获得物品的关联性特征；令物品的关联性特征输入推荐模型进行训练；令推荐模型输出序列化推荐。能够对用户行为中隐含的物品关联性关系的挖掘，与序列化推荐模型联合训练，为用户的序列化推荐提供服务；利用用户与物品交互数据挖掘物品间的关联关系，并对关联关系进行了向量化的表示，直观而客观的展现每个物品的关联性特征，采用欧式距离对关联物品分析；以端到端的方式和序列化推荐模型协同训练，为用户提供最终的序列化推荐服务。
-
公开(公告)号：CN107577682A
公开(公告)日：2018-01-12
申请号：CN201610523079.5
申请日：2016-07-05
Applicant: 上海交通大学
Abstract: 本发明提供一种基于社交图片的用户兴趣挖掘和用户推荐方法及系统，该方法包括：从社交网站上获取用户的所有图片和图片标签；对每张从社交图片收集步骤收集的图片，用深度神经网络提取固定长度的视觉向量；对每张图片的标签用话题模型提取固定长度的文本向量；根据特征提取步骤提取的所有视觉向量和文本向量，采用用户兴趣分析模型，将视觉向量和文本向量按照相似度进行聚类，计算社交图片的兴趣-类别分布，并计算用户的用户-兴趣分布。进一步通过分析目标用户的用户-兴趣分布与候选用户的用户-兴趣分布的欧式距离，可以向目标用户推荐兴趣相似的候选用户。本发明提取出可靠的用户兴趣特征，实现用户的兴趣推荐。
-
公开(公告)号：CN107423376A
公开(公告)日：2017-12-01
申请号：CN201710555687.9
申请日：2017-07-10
Applicant: 上海交通大学
Abstract: 本发明提出一种有监督深度哈希快速图片检索方法及系统，方法包括：构建用于快速图像检索的深度卷积神经网络H″；将图库中的图片依次输入深度卷积神经网络H″后得到实值特征，经过量化操作后得到哈希码并储存在本地；将每一张查询图片q输入至深度卷积神经网络H″并量化得到哈希码h(q)，再计算哈希码h(q)与所有存储在本地的哈希码之间的汉明距离，将汉明距离为小的认作相似度为高，以此进行排序，最终根据检索数量要求返回相应数量的最为相似的图片。本发明基于现有的深度神经网络，利用三元组标签数据进行图片特征表达的学习采用三元组量化损失函数，用于构建有监督深度哈希模型，从而实现既快速又精准的图片检索。
-
Patent Agency Ranking
公开(公告)号：CN103533393B
公开(公告)日：2017-08-01
申请号：CN201310425811.1
申请日：2013-09-17
Applicant: 上海交通大学
IPC: H04N21/258 , H04N21/466
Abstract: 本发明提供了一种基于家庭收视纪录的家庭分析及节目推荐方法，该方法根据所有家庭的收视纪录，考虑家庭成员收视的时间特征，通过时间‑兴趣耦合主题模型，将节目按兴趣分类，将收视时刻按时段分类，并计算出每个家庭在不同时段看节目类型的分布。根据以上分布对家庭收视习惯做聚类分析，向家庭精准推荐节目。
-
公开(公告)号：CN106980641A
公开(公告)日：2017-07-25
申请号：CN201710071669.3
申请日：2017-02-09
Applicant: 上海交通大学
Abstract: 本发明提出一种基于卷积神经网络的无监督哈希快速图片检索系统及方法。该系统及方法利用现有的哈希算法结构，基于数据增强技术提出了一个高效的无监督哈希模型用于快速图像检索领域。通过数据增强方法，为无标签数据构建三元组训练样本，通过三元组损失函数、最小量化误差损失函数和最大熵损失函数驱使网络充分利用每张图片的信息，学习到一系列更具有表达能力的参数以提高快速图片检索的准确性。本发明是一种能够利用无标签数据学习网络的哈希快速图片检索方法，利用数据增强构建表达能力更强的三元组训练样本训练网络，显著提升了快速图片检索的准确性。
-
公开(公告)号：CN106250423A
公开(公告)日：2016-12-21
申请号：CN201610590701.4
申请日：2016-07-25
Applicant: 上海交通大学
CPC classification number: G06F16/583 , G06N3/08
Abstract: 本发明提供一种基于部分参数共享的深度卷积神经网络跨域服装检索方法，该方法利用了深度神经网络模型中越高层的网络层的特征越具有语义信息，与训练数据所在域的关系越密切，越低层的网络层的特征越具有一般性，越与训练数据所在域无关，依此让传统的深度卷积神经网络跨域服装检索模型中的低层的网络层参数共享，而高层的网络层参数由各个域保有。本发明是一种能够使用比传统深度卷积神经网络跨域服装检索模型方法更少参数但却获得相同效果的方法，通过利用深度神经网络模型内在的特性，显著性减少模型参数数量。
-
公开(公告)号：CN103577537B
公开(公告)日：2016-08-17
申请号：CN201310442438.0
申请日：2013-09-24
Applicant: 上海交通大学
Abstract: 本发明公开一种面向图像分享网站图片的多重配对相似度确定方法，包括如下步骤：第一步，提取图片的上下文属性特征和图像视觉特征；第二步，随后计算属性取值之间的相似度，由属性内和属性间两部分组成；所述的属性内相似度，是指仅考虑此属性自身，相似度由自身物理意义或属性值共生矩阵来计算；所述的属性间相似度，是指考虑除此属性x外，其他属性对该属性取值相似度的影响；第三步，然后将属性值相似度转换成图片相似度；第四步，再利用图片相似度进行图像分享网站图片集的分析，包括图片聚类、图片标注、网络分析和图片发掘。
-
公开(公告)号：CN103514369A
公开(公告)日：2014-01-15
申请号：CN201310430125.3
申请日：2013-09-18
Applicant: 上海交通大学
IPC: G06F19/00
Abstract: 本发明提供了一种基于主动学习的回归分析系统及方法，其中：数据采集模块收集回归学习所需的未标注数据，并进行预处理；训练集构建模块构建回归学习所需的训练数据，包括：初始阶段，从存储的未标注数据中随机挑选部分样本进行人工标注，构建初始训练集。迭代阶段，调用回归学习模块已经构建的回归模型，执行主动学习方法选择最有信息的样本进行标注，扩展已有的训练集；将标注后的数据存于存储模块；回归学习模块调用数据存储模块中的有标注的数，训练回归模型；上述训练集构建模块和回归学习模块，交互迭代进行；预测模块在主动学习迭代结束后，调用回归学习模块建立的回归模型，对因变量进行预测。本发明可以提高回归系统的数据分析的准确性。
-
-
-
-
-
-
-
-
-
Search Results
123
records
(took 0.046 seconds)
