-
公开(公告)号：CN119180288A
公开(公告)日：2024-12-24
申请号：CN202411213221.7
申请日：2024-08-30
Applicant: 北京理工大学
IPC: G06F40/35 , G06N3/0442 , G06N3/084
Abstract: 本发明属于推荐系统技术领域，提供一种行为习惯增强意图的基于会话的推荐方法，该方法具体过程为：会话意图特征获取：构造一个全局项目转换图来提取项目之间的语义连接，聚合项目行为序列，并通过门控机制将语义连接与行为序列融合，以捕获细粒度的用户意图，基于所述用户意图获取细粒度行为操作的会话意图特征；会话行为习惯特征获取：将会话项目指定为超图中的超边，并将包含在会话中发生的所有与项目相关的行为指定为该超边所连接的顶点，构造行为习惯超图，基于所述行为习惯超图学习用户级行为习惯特征；会话特征融合：将所述会话意图特征与行为习惯特征进行融合以学习用户真实的意图表示，并通过该表示来预测用户可能感兴趣的项目。
-
公开(公告)号：CN117932147A
公开(公告)日：2024-04-26
申请号：CN202410060729.1
申请日：2024-01-16
Applicant: 北京理工大学
IPC: G06F16/9535 , G06Q30/0601 , G06N3/0464 , G06N3/042 , G06N3/0895
Abstract: 本发明公开了基于双曲空间对比学习的协同过滤推荐方法及系统，能够利用双曲空间对比学习技术实现协同过滤推荐，充分利用双曲空间优势缓解推荐系统中存在的数据稀疏性问题，从而使得推荐计算结果更准确，改进推荐系统的性能，提高用户体验，适用于多种在线平台和应用。本发明技术方案为：首先处理原始用户物品交互数据，构造用户物品交互图。定义双曲空间。确定用户和物品的双曲空间初始表示向量。构建推荐主任务模型。构建对比学习辅助任务模型。将推荐主任务和对比学习辅助任务结合进行多任务学习。本发明将对比学习引入基于双曲空间的协同过滤推荐方法，通过对比学习提供额外的自监督信号，弥补了数据稀疏性对现有推荐方法的影响。
-
公开(公告)号：CN117743798A
公开(公告)日：2024-03-22
申请号：CN202311785649.4
申请日：2023-12-22
Applicant: 北京理工大学
IPC: G06F18/20 , G06F18/214 , G06F18/25
Abstract: 本发明公开了一种融合时序和语义依赖关系的会话式推荐系统及方法，其中系统部分包括：物品转换依赖模块、语义依赖模块、交叉融合模块和调试模块；物品转换依赖模块与交叉融合模块连接，物品转换依赖模块用于捕捉物品的转换依赖关系；语义依赖模块与交叉融合模块连接，语义依赖模块用于捕捉嵌入在原始物品序列中的语义信息；交叉融合模块用于对转换依赖关系和语义信息进行交叉融合训练，得到推荐模型；调试模块与交叉融合模块连接，调试模块用于减小推荐模型的误差。本发明在基于会话的推荐中引入语义依赖模块，以了解用户的总体兴趣。同时提出了两种不同层次的物品转换图来挖掘用户的长期和短期时间依赖性，并自适应地合并自监督学习来整合信息。
-
Patent Agency Ranking
公开(公告)号：CN117688242A
公开(公告)日：2024-03-12
申请号：CN202311747023.4
申请日：2023-12-19
Applicant: 北京理工大学
IPC: G06F16/9535 , G06F40/30 , G06F18/214 , G06F18/23213 , G06F18/25 , G06N3/042
Abstract: 本发明公开了一种语义信息与意图增强的会话推荐方法及系统，设计新的意图捕获策略生成意图表示，通过对比学习算法将会话与意图对比，可以更好地捕获会话意图，减少会话中噪声的影响；将语义信息和用户意图整合到会话推荐中，提出一种多任务学习框架，可以提高推荐性能；通过设计损失函数，可以提高计算效率，缓解过拟合现象。相比于传统推荐方法，本发明剖析原始数据集中可能存在的潜在信息，并挖掘项目之间的潜在语义信息，通过聚类方法与对比学习算法实现语义信息的学习与优化；本发明设计新的意图学习范式，考虑会话内部的项目对会话意图的影响，利用项目语义原型映射为意图表示，通过对比学习实现会话意图的优化。
-
公开(公告)号：CN119179813A
公开(公告)日：2024-12-24
申请号：CN202411243950.7
申请日：2024-09-05
Applicant: 北京理工大学
IPC: G06F16/9535 , G06Q30/0601 , G06N3/0455 , G06N3/042
Abstract: 本发明提供一种结合常微分方程和时间引导扩散生成的序列推荐方法，首先模拟了交互数据的连续时间进化过程，并构建了用户特定序列图和跨序列进化图，前者用于捕捉个人用户偏好的变化，后者侧重于探索时间感知的项目表示；其次，应用时间引导扩散生成来填充和扩充进化图，以减轻数据的稀疏性；最后，使用基于双通道图的神经ODE学习器来获取特定时间的用户兴趣；因此，本发明能够提高推荐结果与用户的匹配度。
-
公开(公告)号：CN117688255A
公开(公告)日：2024-03-12
申请号：CN202311756110.6
申请日：2023-12-19
Applicant: 北京理工大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/042 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于双社交视图对比学习的推荐方法及系统，针对社交视图，实现两种基于三元社交视图增强方法的数据增强操作，在挖掘隐含的社交关系的同时，减弱社交网络带来的噪声，并引入结构一致性因子以衡量用户对扰动的抵抗能力，从而达到结合用户的社交辅助信息指导交互图增强过程的作用；针对用户‑物品交互二部图，采用概率引导增强方式，生成应用于对比任务的增强视图。本发明引入概率引导方法，直接指导用户‑物品交互二部图的增强及对比学习过程，有利于生成更精准、更个性化的推荐；本发明引入社交视图，并对社交视图中的结构信息进行挖掘，可以在有效补充更多的用户侧信息的同时，缓解用户‑物品交互二部图的监督信号稀疏的问题。
-
公开(公告)号：CN118364147A
公开(公告)日：2024-07-19
申请号：CN202410597478.0
申请日：2024-05-14
Applicant: 北京理工大学
IPC: G06F16/9035 , G06F16/9032 , G06F16/901 , G06N3/042 , G06N3/045 , G06N3/0464 , G06N5/022 , G06F18/22 , G06N3/047 , G06N3/0442 , G06N3/048
Abstract: 本发明提供一种基于评论潜在信息挖掘的对话式推荐方法，提出了一个新的对话式推荐系统子模型MiRe，将评论引入对话式推荐系统之中来增强实体和用户表示，有效的缓解了对话内容中包含信息较少对现有对话式推荐算法的影响，显著提高了系统的性能；也就是说，本发明通过挖掘外部评论中的潜在信息实现对话式推荐算法，能够改进对话式推荐系统的性能，提升用户体验。
-
公开(公告)号：CN117788119A
公开(公告)日：2024-03-29
申请号：CN202311863212.8
申请日：2023-12-29
Applicant: 北京理工大学
IPC: G06Q30/0601 , G06F18/2415 , G06F18/20 , G06F18/25 , G06F18/21 , G06N3/042 , G06N3/045 , G06N3/0464
Abstract: 本发明公开一种应用多通道动态超图的会话式推荐方法及系统，包括根据购买物品历史数据，构建图结构数据，并通过图编码器对图结构数据进行图卷积处理，生成一般图信息；通过深度学习模型对所述一般图信息进行转换，生成关联矩阵，基于一般图信息及关联矩阵进行图卷积处理，生成动态超图信息，对所述动态超图信息进行池化处理，生成综合特征；通过注意力机制对所述综合特征进行处理，生成融合物品特征，基于所述融合物品特征，生成会话嵌入表示，其中，图编码器、深度学习模型及注意力机制已通过互信息最大化方法及交叉熵损失函数进行参数优化；基于所述融合物品特征及会话嵌入表示，生成推荐物品信息。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.017 seconds)
