公开(公告)号：CN112417219B

公开(公告)日：2022-07-01

申请号：CN202011276695.8

申请日：2020-11-16

Applicant: 吉林大学

Inventor： 王英 ,  杨伟英 ,  王鑫 ,  左万利 ,  贾天浩 ,  郝琳琳

IPC: G06F16/901 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于超图卷积的超边链接预测方法，旨在通过采用超边建模网络数据中的多元关联关系，实现潜在超边链接关系的预测，从而克服基于成对关系的网络数据进行研究的传统方法所带来的局限。该模型的步骤为：1.通过特征提取构建特征矩阵，将原始网络邻接矩阵转换为超图关联矩阵；2.融合超图卷积实现超图卷积自动编码器，将超图网络数据转换成一种低维空间表示；3.加入节点近邻度函数，最大程度的保留其结构信息；4.通过迭代优化获得鲁棒的隐层向量表示从而预测潜在的超边关联关系。

公开(公告)号：CN112380434A

公开(公告)日：2021-02-19

申请号：CN202011276253.3

申请日：2020-11-16

Applicant: 吉林大学

Inventor： 王英 ,  贾天浩 ,  王鑫 ,  左万利 ,  杨伟英 ,  左祥麟

IPC: G06F16/9535 ,  G06Q30/06

Abstract: 本发明涉及一种融合异质信息网络的可解释推荐系统方法，特别涉及一种基于元路径和深度神经网络方法的的离线推荐系统方法。该方法应用元路径在异质信息网络上提取辅助信息生成的相似度矩阵作为补充信息。应用矩阵分解方法对相似度矩阵进行矩阵分解，得到对应元路径的多组用户和商品的特征表示。利用注意力神经网络来区分组合基于不同类型元路径获得的表示，最后利用深度神经网络来组合表示向量得到预测评分，同时选择重要的元路径生成解释。

公开(公告)号：CN112380434B

公开(公告)日：2022-09-16

申请号：CN202011276253.3

申请日：2020-11-16

Applicant: 吉林大学

Inventor： 王英 ,  贾天浩 ,  王鑫 ,  左万利 ,  杨伟英 ,  左祥麟

IPC: G06F16/9535 ,  G06Q30/06

Abstract: 本发明涉及一种融合异质信息网络的可解释推荐系统方法，特别涉及一种基于元路径和深度神经网络方法的的离线推荐系统方法。该方法应用元路径在异质信息网络上提取辅助信息生成的相似度矩阵作为补充信息。应用矩阵分解方法对相似度矩阵进行矩阵分解，得到对应元路径的多组用户和商品的特征表示。利用注意力神经网络来区分组合基于不同类型元路径获得的表示，最后利用深度神经网络来组合表示向量得到预测评分，同时选择重要的元路径生成解释。

公开(公告)号：CN112417219A

公开(公告)日：2021-02-26

申请号：CN202011276695.8

申请日：2020-11-16

Applicant: 吉林大学

Inventor： 王英 ,  杨伟英 ,  王鑫 ,  左万利 ,  贾天浩 ,  郝琳琳

IPC: G06F16/901 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于超图卷积的超边链接预测方法，旨在通过采用超边建模网络数据中的多元关联关系，实现潜在超边链接关系的预测，从而克服基于成对关系的网络数据进行研究的传统方法所带来的局限。该模型的步骤为：1.通过特征提取构建特征矩阵，将原始网络邻接矩阵转换为超图关联矩阵；2.融合超图卷积实现超图卷积自动编码器，将超图网络数据转换成一种低维空间表示；3.加入节点近邻度函数，最大程度的保留其结构信息；4.通过迭代优化获得鲁棒的隐层向量表示从而预测潜在的超边关联关系。