公开(公告)号：CN116361540A

公开(公告)日：2023-06-30

申请号：CN202310001237.0

申请日：2023-01-03

Applicant: 华南理工大学

Inventor： 许勇 ,  谢海泉

IPC: G06F16/9535 ,  G06F18/214 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/088 ,  G06Q50/00 ,  G06Q30/0601

Abstract: 本发明公开了一种基于用户多意图的社会化推荐方法、装置及介质，其中方法包括：获取数据集，构建图结构数据；构建包含两部分图卷积网络的推荐模型，用于先后建模用户商品交互关系和用户社交关系；意图空间映射；交互意图解耦合学习；自适应去噪；用户社交多影响学习；无监督学习；结合得到的最终商品特征向量、最终用户特征向量和无监督学习对推荐模型进行训练学习；将推荐模型最终学习到的用户和商品特征向量进行打分预测，得到推荐商品顺序。本发明充分挖掘用户商品交互中的多意图影响，以及用户社交关系的多影响，学习更细粒度的用户表征和商品表征，获得更加准确的推荐结果。本发明可广泛应用于推荐系统技术领域。

公开(公告)号：CN116452281A

公开(公告)日：2023-07-18

申请号：CN202310276518.7

申请日：2023-03-20

Applicant: 华南理工大学

Inventor： 许勇 ,  谢海泉

IPC: G06Q30/0601 ,  G06F18/214 ,  G06F18/24 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/0895

Abstract: 本发明公开了一种基于超图和自监督学习的序列推荐方法、装置及介质，其中方法包括：获取序列推荐数据集并进行数据预处理，将用户历史交互数据构建为序列形式；对构建好的序列数据进行数据集划分，划分为训练集、验证集和测试集；设置可学习的嵌入向量，包括商品嵌入向量，属性嵌入向量，以及它们各自的超边嵌入向量；将序列数据输入到超图神经网络中，进行超图卷积，捕捉序列的上下文信息，最终学得用户序列表示，然后进行推荐预测。本发明利用超图神经网络，对序列数据的全局信息进行建模，捕捉序列中的多边关系，更好的建模用户的真实兴趣偏好，获得更好的推荐效果。本发明可以广泛应用于推荐系统领域。