-
公开(公告)号：CN107832426B
公开(公告)日：2021-11-02
申请号：CN201711117741.8
申请日：2017-11-13
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04 , G06N3/08 , H04M1/72406
Abstract: 本发明公开了一种基于使用序列上下文的APP推荐方法及系统，所述推荐方法包括如下步骤：步骤一，对任意用户，利用已训练好的神经网络模型，预测该用户对所有未安装的APP的偏好程度；步骤二，根据用户对所有未安装的APP的偏好进行排序，将偏好值最大的K个作为结果推荐给该用户，本发明根据用户使用APP的记录来抽取用户对APP的偏好情况，并根据用户使用APP的上下文信息，来解决数据稀疏性问题，以提高推荐准确率。
-
公开(公告)号：CN109299373B
公开(公告)日：2021-10-29
申请号：CN201811224995.4
申请日：2018-10-20
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06 , G06K9/62
Abstract: 一种基于图卷积技术的推荐系统，包括：预处理模块、异构图生成模块、模型训练模块以及推荐结果生成模块，其中：预处理模块将用户与物品的交互记录进行数据清洗和格式的标准化操作，并对每个用户生成交互序列后输出至异构图生成模块；异构图生成模块根据用户的交互序列数据构建表征用户偏好、物品间依赖关系和用户间相似性的三个异构图并将生成的图结构数据输出至模型训练模块；模型训练模块基于图结构数据训练图卷积模型，并对每个用户和物品生成向量表达；推荐结果生成模块根据向量表达计算用户对所有物品的偏好情况，并生成最终推荐结果。本发明解决了每个节点邻居数目不等的问题，利用卷积操作挖掘了异构图中节点邻居的信息，提升了推荐的效果。
-
公开(公告)号：CN110955826B
公开(公告)日：2023-06-20
申请号：CN201911088184.0
申请日：2019-11-08
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/0601 , G06N3/044 , G06N3/0455
Abstract: 一种基于改进型循环神经网络单元的推荐系统，包括：多用户行为数据编码器和多任务解码器，编码器基于用户的交互序列数据抽取用户的购物意图信息，并用隐藏状态序列表示，三个解码器分别对应不同的任务，根据挖掘到的用户购物意图分别完成预测下一个交互的物品和类别、判断两个序列是否属于同一个用户、推荐用户新的物品等三种任务。本发明通过两种循环神经网络来建模用户多种不同的行为数据；同时考虑到交互行为的复杂性，本发明利用多个循环神经网络，分别建模交互行为数据中不同商品类别层面的信息；此外，本发明通过多任务学习，给用户和物品学习具有商品类别等语义信息的向量表达，基于多种用户行为数据，缓解数据稀疏性问题，挖掘交互序列中包含的多种商品类别层面的信息，提升推荐效果。
-
公开(公告)号：CN109522474B
公开(公告)日：2021-05-18
申请号：CN201811224350.0
申请日：2018-10-19
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F16/2458 , G06Q30/06
Abstract: 本发明提供了一种基于交互序列数据挖掘深度用户相似性的推荐方法，所述推荐方法包括对用户与物品交互的原始记录数据进行预处理，以获得用户与物品的交互序列数据，并根据所述交互序列数据生成用户‑物品交互矩阵和用户‑gram矩阵；根据所述用户‑物品交互矩阵和所述用户‑gram矩阵构建推荐模型，并训练所述推荐模型；基于经过训练的推荐模型，计算出每个用户对所有物品的偏好，并根据偏好值由高到低对所有物品进行排序；去除用户已交互过的物品，将剩余物品中预定个偏好值最高的物品作为个性化推荐的结果推荐给对应用户。本发明将用户对物品的偏好情况和用户间的相似性应用于推荐方法中，解决了数据稀疏性的问题，提高了推荐准确率。
-
公开(公告)号：CN107885852B
公开(公告)日：2021-09-10
申请号：CN201711117106.X
申请日：2017-11-13
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06 , H04M1/72406
Abstract: 本发明公开了一种基于APP使用记录的APP推荐方法及系统，所述方法包括如下步骤：步骤一，获取用户的APP使用记录；步骤二，对获取的APP使用记录进行预处理，处理成所需要的格式；步骤三，根据APP使用记录的预处理结果生成用户和APP的向量表示，并利用基于向量表示的联合排序推荐算法对每个用户推荐K个APP，本发明可解决智能终端APP评分较少的数据稀疏性问题，提高APP推荐的准确性。
-
Patent Agency Ranking
公开(公告)号：CN109522474A
公开(公告)日：2019-03-26
申请号：CN201811224350.0
申请日：2018-10-19
Applicant: 上海交通大学
IPC: G06F16/9535 , G06F16/2458 , G06Q30/06
Abstract: 本发明提供了一种基于交互序列数据挖掘深度用户相似性的推荐方法，所述推荐方法包括对用户与物品交互的原始记录数据进行预处理，以获得用户与物品的交互序列数据，并根据所述交互序列数据生成用户-物品交互矩阵和用户-gram矩阵；根据所述用户-物品交互矩阵和所述用户-gram矩阵构建推荐模型，并训练所述推荐模型；基于经过训练的推荐模型，计算出每个用户对所有物品的偏好，并根据偏好值由高到低对所有物品进行排序；去除用户已交互过的物品，将剩余物品中预定个偏好值最高的物品作为个性化推荐的结果推荐给对应用户。本发明将用户对物品的偏好情况和用户间的相似性应用于推荐方法中，解决了数据稀疏性的问题，提高了推荐准确率。
-
公开(公告)号：CN107832426A
公开(公告)日：2018-03-23
申请号：CN201711117741.8
申请日：2017-11-13
Applicant: 上海交通大学
CPC classification number: G06F17/30867 , G06N3/02 , G06Q30/0631 , H04M1/72525
Abstract: 本发明公开了一种基于使用序列上下文的APP推荐方法及系统，所述推荐方法包括如下步骤：步骤一，对任意用户，利用已训练好的神经网络模型，预测该用户对所有未安装的APP的偏好程度；步骤二，根据用户对所有未安装的APP的偏好进行排序，将偏好值最大的K个作为结果推荐给该用户，本发明根据用户使用APP的记录来抽取用户对APP的偏好情况，并根据用户使用APP的上下文信息，来解决数据稀疏性问题，以提高推荐准确率。
-
公开(公告)号：CN110955826A
公开(公告)日：2020-04-03
申请号：CN201911088184.0
申请日：2019-11-08
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/04
Abstract: 一种基于改进型循环神经网络单元的推荐系统，包括：多用户行为数据编码器和多任务解码器，编码器基于用户的交互序列数据抽取用户的购物意图信息，并用隐藏状态序列表示，三个解码器分别对应不同的任务，根据挖掘到的用户购物意图分别完成预测下一个交互的物品和类别、判断两个序列是否属于同一个用户、推荐用户新的物品等三种任务。本发明通过两种循环神经网络来建模用户多种不同的行为数据；同时考虑到交互行为的复杂性，本发明利用多个循环神经网络，分别建模交互行为数据中不同商品类别层面的信息；此外，本发明通过多任务学习，给用户和物品学习具有商品类别等语义信息的向量表达，基于多种用户行为数据，缓解数据稀疏性问题，挖掘交互序列中包含的多种商品类别层面的信息，提升推荐效果。
-
公开(公告)号：CN109299373A
公开(公告)日：2019-02-01
申请号：CN201811224995.4
申请日：2018-10-20
Applicant: 上海交通大学
IPC: G06F16/9535 , G06Q30/06 , G06K9/62
Abstract: 一种基于图卷积技术的推荐系统，包括：预处理模块、异构图生成模块、模型训练模块以及推荐结果生成模块，其中：预处理模块将用户与物品的交互记录进行数据清洗和格式的标准化操作，并对每个用户生成交互序列后输出至异构图生成模块；异构图生成模块根据用户的交互序列数据构建表征用户偏好、物品间依赖关系和用户间相似性的三个异构图并将生成的图结构数据输出至模型训练模块；模型训练模块基于图结构数据训练图卷积模型，并对每个用户和物品生成向量表达；推荐结果生成模块根据向量表达计算用户对所有物品的偏好情况，并生成最终推荐结果。本发明解决了每个节点邻居数目不等的问题，利用卷积操作挖掘了异构图中节点邻居的信息，提升了推荐的效果。
-
公开(公告)号：CN107909105A
公开(公告)日：2018-04-13
申请号：CN201711117740.3
申请日：2017-11-13
Applicant: 上海交通大学
CPC classification number: G06Q30/0205 , G06F16/29 , G06K9/6272 , G06N3/08
Abstract: 本发明公开了一种商业选址方法及系统，该方法包括如下步骤：获取卫星数据和城市数据；根据收集到的卫星数据和城市数据对目标地点抽取特征；使用降噪自编码器对抽取到的特征进行降维和去噪处理，并使用处理后的特征，针对特定的商业类型，训练经典的分类模型或者拟合模型；使用训练好的模型，根据目标地点的特征，判断该地点是否适合某一类型的商业，本发明实现了自动商业选址的目的。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.062 seconds)
