-
公开(公告)号：CN110909868A
公开(公告)日：2020-03-24
申请号：CN201911226793.8
申请日：2019-12-04
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/04
Abstract: 本说明书实施例提供一种基于图神经网络模型的节点表示方法和装置，方法包括：获取动态变化的关系网络图在多个时间切片中对应的多个图结构，以及基于所述多个图结构分别训练的多个图神经网络模型；从所述多个图结构中，分别提取目标节点对应于所述多个时间切片的多个子图；将所述多个子图对应输入到所述多个图神经网络模型，得到所述目标节点对应于所述多个时间切片的多个节点嵌入向量；通过基于时序的神经网络模型，融合所述多个节点嵌入向量，得到所述目标节点的融合向量。能够提升基于图神经网络模型的节点表示的准确性。
-
公开(公告)号：CN109002488B
公开(公告)日：2020-10-02
申请号：CN201810669341.6
申请日：2018-06-26
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明实施例提供了一种基于元路径上下文的推荐模型训练方法及装置。该方法包括：在样本信息平台中获得多个用户信息对；针对每个用户信息对，获得该用户信息对所对应的路径实例，并生成该用户信息对所对应样本用户表征信息、样本对象表征信息和元路径上下文表征信息；针对每个用户信息对，将上述三种信息进行拼接得到训练样本；将得到的多个训练样本作为输入，对预设神经网络模型进行训练，直至通过损失函数计算得到的函数值小于预设阈值时，完成神经网络模型的训练。与现有技术相比，应用本发明实施例提供的方案，训练得到的基于元路径上下文的推荐模型可以学习到更优化的特征，进而，可以提高基于该模型得到的推荐结果的准确性。
-
公开(公告)号：CN107944629B
公开(公告)日：2020-08-07
申请号：CN201711239629.1
申请日：2017-11-30
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。
-
公开(公告)号：CN109002488A
公开(公告)日：2018-12-14
申请号：CN201810669341.6
申请日：2018-06-26
Applicant: 北京邮电大学
IPC: G06F17/30
Abstract: 本发明实施例提供了一种基于元路径上下文的推荐模型训练方法及装置。该方法包括：在样本信息平台中获得多个用户信息对；针对每个用户信息对，获得该用户信息对所对应的路径实例，并生成该用户信息对所对应样本用户表征信息、样本对象表征信息和元路径上下文表征信息；针对每个用户信息对，将上述三种信息进行拼接得到训练样本；将得到的多个训练样本作为输入，对预设神经网络模型进行训练，直至通过损失函数计算得到的函数值小于预设阈值时，完成神经网络模型的训练。与现有技术相比，应用本发明实施例提供的方案，训练得到的基于元路径上下文的推荐模型可以学习到更优化的特征，进而，可以提高基于该模型得到的推荐结果的准确性。
-
公开(公告)号：CN107944629A
公开(公告)日：2018-04-20
申请号：CN201711239629.1
申请日：2017-11-30
Applicant: 北京邮电大学
CPC classification number: G06Q10/04 , G06Q30/0631
Abstract: 本发明实施例提供了一种基于异质信息网络表示的推荐方法及装置，所述方法包括：对预设的异质信息网络提取目标网络节点表示；根据所述目标网络节点表示以及利用预设的矩阵分解模型，获得目标矩阵分解；利用获得的目标矩阵分解，得到用户对商品的预测评分；根据得到的用户对商品的预测评分，将用户或商品作为待推荐对象进行推荐。应用本发明实施例能够提高推荐率。
-
Patent Agency Ranking
公开(公告)号：CN106951528B
公开(公告)日：2019-11-08
申请号：CN201710168928.4
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F16/9535 , G06K9/62
Abstract: 本发明实施例公开了一种推荐信息确定方法及装置，所利用的推荐信息模型的构建过程包括：获取N个用户的标识数据及每个用户的至少两种反馈数据，N大于1；利用预设偏序样本生成算法，对每个用户的第一类反馈数据进行运算，得到每个用户对应的偏序样本；结合预设建模框架及预设矩阵分解算法，对每个用户对应的偏序样本及每个用户的第二类反馈数据进行运算，得到推荐信息模型。由此可见，利用用户的至少两种反馈数据，构建推荐信息模型，可以有效利用获取到的多种反馈数据；相比于现有技术中，仅针对“评分数据”这一种反馈数据构建的模型，提高了确定推荐信息的准确性。
-
公开(公告)号：CN106951527B
公开(公告)日：2020-01-17
申请号：CN201710168927.X
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F16/68
Abstract: 本发明实施例提供了一种歌曲推荐方法及装置，该方法中，获取多个用户的听歌记录，其中，多个用户中包括待推荐用户，听歌记录中记录有每个用户针对歌曲库中的各首歌曲的反馈信息，反馈信息为收听、下载和收藏中的至少一个；根据听歌记录中的反馈信息对歌曲库中的歌曲进行聚类，得到多类歌曲；从聚类获得的多类歌曲中，确定待推荐用户所对应的目标类别歌曲；从目标类别歌曲中，选取一首歌曲推荐至待推荐用户。由此，通过聚类的方式，将歌曲库中的歌曲分类，从聚类得到的多类歌曲中确定目标类别歌曲，再从目标类别歌曲中选取一首歌曲推荐至待推荐用户，相比于直接从歌曲库中选取一首歌曲进行推荐，大大减少了计算量，提高了歌曲推荐速率。
-
公开(公告)号：CN106951528A
公开(公告)日：2017-07-14
申请号：CN201710168928.4
申请日：2017-03-21
Applicant: 北京邮电大学
Abstract: 本发明实施例公开了一种推荐信息确定方法及装置，所利用的推荐信息模型的构建过程包括：获取N个用户的标识数据及每个用户的至少两种反馈数据，N大于1；利用预设偏序样本生成算法，对每个用户的第一类反馈数据进行运算，得到每个用户对应的偏序样本；结合预设建模框架及预设矩阵分解算法，对每个用户对应的偏序样本及每个用户的第二类反馈数据进行运算，得到推荐信息模型。由此可见，利用用户的至少两种反馈数据，构建推荐信息模型，可以有效利用获取到的多种反馈数据；相比于现有技术中，仅针对“评分数据”这一种反馈数据构建的模型，提高了确定推荐信息的准确性。
-
公开(公告)号：CN109801077A
公开(公告)日：2019-05-24
申请号：CN201910052269.7
申请日：2019-01-21
Applicant: 北京邮电大学
Abstract: 本发明实施例提供了一种套现用户检测方法、装置及设备，其中，该方法包括：获取各个待检测用户的自身特征信息以及各个待检测用户的交互信息，其中，针对各个待检测用户，该交互信息包括该待检测用户与其他待检测用户交互的信息和该待检测用户与待检测用户之外的其他对象交互的信息；针对各个待检测用户，根据该待检测用户的自身特征信息，以及该待检测用户的交互信息，确定该待检测用户的邻居特征信息；并将该待检测用户的自身特征信息和邻居特征信息，输入至注意力机制模型，得到该待检测用户套现的概率；其中，注意力机制模型是根据多个训练样本训练得到的。通过本发明实施例提供的套现用户检测方法、装置及设备，提高检测的准确性。
-
公开(公告)号：CN106951527A
公开(公告)日：2017-07-14
申请号：CN201710168927.X
申请日：2017-03-21
Applicant: 北京邮电大学
IPC: G06F17/30
Abstract: 本发明实施例提供了一种歌曲推荐方法及装置，该方法中，获取多个用户的听歌记录，其中，多个用户中包括待推荐用户，听歌记录中记录有每个用户针对歌曲库中的各首歌曲的反馈信息，反馈信息为收听、下载和收藏中的至少一个；根据听歌记录中的反馈信息对歌曲库中的歌曲进行聚类，得到多类歌曲；从聚类获得的多类歌曲中，确定待推荐用户所对应的目标类别歌曲；从目标类别歌曲中，选取一首歌曲推荐至待推荐用户。由此，通过聚类的方式，将歌曲库中的歌曲分类，从聚类得到的多类歌曲中确定目标类别歌曲，再从目标类别歌曲中选取一首歌曲推荐至待推荐用户，相比于直接从歌曲库中选取一首歌曲进行推荐，大大减少了计算量，提高了歌曲推荐速率。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.042 seconds)
