-
公开(公告)号：CN114117220A
公开(公告)日：2022-03-01
申请号：CN202111420425.4
申请日：2021-11-26
Applicant: 东北大学
IPC: G06F16/9535 , G06F16/28 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种基于知识增强的深度强化学习交互式推荐系统及方法，涉及推荐技术领域。本系统包括数据采集清洗模块、环境模拟器构建模块、知识图谱构建模块、图卷积模块、用户状态表示模块、策略网络模块和值网络模块。本发明结合知识图谱中丰富的语义信息，利用图卷积网络结构，沿着高阶连通性递归地传播相邻实体的嵌入表示，并采用图注意力网络思想，利用知识图谱中丰富的语义信息增强项目表示，同时又融合了用户‑项目二部图，从集体的用户行为充分挖掘潜在关系，从而准确捕捉用户的动态偏好，并利用深度强化学习自主学习最优推荐策略，从而提高推荐准确度。
-
公开(公告)号：CN114117220B
公开(公告)日：2024-09-20
申请号：CN202111420425.4
申请日：2021-11-26
Applicant: 东北大学
IPC: G06F16/9535 , G06F16/28 , G06N3/0464 , G06N3/092 , G06N3/042
Abstract: 本发明提供一种基于知识增强的深度强化学习交互式推荐系统及方法，涉及推荐技术领域。本系统包括数据采集清洗模块、环境模拟器构建模块、知识图谱构建模块、图卷积模块、用户状态表示模块、策略网络模块和值网络模块。本发明结合知识图谱中丰富的语义信息，利用图卷积网络结构，沿着高阶连通性递归地传播相邻实体的嵌入表示，并采用图注意力网络思想，利用知识图谱中丰富的语义信息增强项目表示，同时又融合了用户‑项目二部图，从集体的用户行为充分挖掘潜在关系，从而准确捕捉用户的动态偏好，并利用深度强化学习自主学习最优推荐策略，从而提高推荐准确度。
-
公开(公告)号：CN112579792B
公开(公告)日：2023-08-04
申请号：CN202011528527.3
申请日：2020-12-22
Applicant: 东北大学
IPC: G06F16/36 , G06F16/35 , G06F16/28 , G06F40/211 , G06F40/253 , G06F40/284 , G06F40/30 , G16H50/70 , G06N3/042 , G06N3/0442 , G06N3/045 , G06N3/0464
Abstract: 本发明公开一种基于PGAT和FTATT的远程监督关系抽取方法，涉及远程监督关系抽取技术领域。该方法包括：获取NYT数据集，将数据集中包含相同实体对的句子划分在一个包中；获取每个包中句子的词语向量表示；基于Bi‑LSTM抽取句子的序列特征；基于PGAT抽取句子的句法结构特征；利用FTATT对包中不同句子分配权重；将包中各句子的特征向量与句子的权重系数加权求和，获得包的特征向量；根据包的特征向量，对包中实体对进行关系分类。利用PGAT能够捕获句子的句法结构信息，使得抽取的句子特征包含语义和语法方面的丰富信息，同时采用FTATT对注意力机制进行微调，动态地丢弃尽可能多的噪音数据，提高关系抽取准确性。
-
公开(公告)号：CN112579792A
公开(公告)日：2021-03-30
申请号：CN202011528527.3
申请日：2020-12-22
Applicant: 东北大学
IPC: G06F16/36 , G06F16/35 , G06F16/28 , G06F40/211 , G06F40/253 , G06F40/284 , G06F40/30 , G16H50/70 , G06N3/04
Abstract: 本发明公开一种基于PGAT和FTATT的远程监督关系抽取方法，涉及远程监督关系抽取技术领域。该方法包括：获取NYT数据集，将数据集中包含相同实体对的句子划分在一个包中；获取每个包中句子的词语向量表示；基于Bi‑LSTM抽取句子的序列特征；基于PGAT抽取句子的句法结构特征；利用FTATT对包中不同句子分配权重；将包中各句子的特征向量与句子的权重系数加权求和，获得包的特征向量；根据包的特征向量，对包中实体对进行关系分类。利用PGAT能够捕获句子的句法结构信息，使得抽取的句子特征包含语义和语法方面的丰富信息，同时采用FTATT对注意力机制进行微调，动态地丢弃尽可能多的噪音数据，提高关系抽取准确性。
-
-
-
Search Results
4
records
(took 0.013 seconds)
