-
公开(公告)号：CN110825978B
公开(公告)日：2023-04-07
申请号：CN201911026575.X
申请日：2019-10-26
Applicant: 复旦大学
IPC: G06F16/9536
Abstract: 本发明属于用户兴趣偏好预测技术领域，具体为基于近邻用户特征共享的多任务协同过滤方法。本发明包括两个阶段：K近邻用户群生成阶段，尽可能地产生用户的K个最相似邻居用户；兴趣预测阶段，借助K近邻用户预测当前活跃用户对于未评价物品可能的评分情况；本发明基于相似用户具有相似兴趣的认知，借鉴多任务特征学习方法在处理稀疏数据的优势，先根据具有重要性的皮尔逊相似度确定用户的K近邻用户群，然后在近邻用户范围内对用户特征空间进行不同程度的局部分享，最终获取用于兴趣预测的协同过滤的特征参数。此方法采用相似用户的反馈数据即相似用户的兴趣偏好，来补充当前用户的兴趣特征，缓和了数据稀疏问题，提高了推荐预测的准确性。
-
公开(公告)号：CN111125620B
公开(公告)日：2023-04-07
申请号：CN201911061727.X
申请日：2019-11-01
Applicant: 复旦大学
IPC: G06F17/16
Abstract: 本发明属于推荐技术领域，具体为推荐系统中基于矩阵分解的并行随机梯度下降方法。本发明根据用户历史评分数据对未评分数据进行预测，采用混合交替更新的方式使其在高度并行的情况下依然保持良好的准确性；通过递归地将评分矩阵分成2×2的子矩阵，先并行处理左上角和右下角子矩阵，再并行处理右上角和左下角的子矩阵，避免了训练数据导致的参数向量依赖问题；在更新过程中固定一个参数向量求解另一个参数向量，解除了计算时的参数向量之间的依赖关系，降低了并行造成的精度损失。本发明通过引入混合交替更新的方式，解决了并行随机梯度下降算法在矩阵分解场景下参数向量更新时依赖的问题，并具有良好的准确性和扩展性。
-
公开(公告)号：CN114282687B
公开(公告)日：2023-03-07
申请号：CN202111667759.1
申请日：2021-12-31
Applicant: 复旦大学
IPC: G06N20/00
Abstract: 本发明属于时间序列推荐技术领域，具体为基于因子分解机的多任务时序推荐方法。本发明具体步骤为：根据不同的推荐任务需求处理数据并得到相似性矩阵；将用户静态特征和根据相似性矩阵筛选出的动态特征作为模型静态任务和动态任务的输入；不同任务经过嵌入层、注意力机制、因子分解交互层、线性层得到最终给结果；根据结果和损失更新模型参数，不断训练直至达到收敛停止条件；保存模型，在新数据中加载模型并得到TOPN推荐结果。本发明着力提高因子分解机模型在时序推荐场景中的实用性和准确性，将多任务、注意力机制等与因子分解机相结合，从而提升因子分解机在现实时序推荐任务中的效果。
-
公开(公告)号：CN114282687A
公开(公告)日：2022-04-05
申请号：CN202111667759.1
申请日：2021-12-31
Applicant: 复旦大学
IPC: G06N20/00
Abstract: 本发明属于时间序列推荐技术领域，具体为基于因子分解机的多任务时序推荐方法。本发明具体步骤为：根据不同的推荐任务需求处理数据并得到相似性矩阵；将用户静态特征和根据相似性矩阵筛选出的动态特征作为模型静态任务和动态任务的输入；不同任务经过嵌入层、注意力机制、因子分解交互层、线性层得到最终给结果；根据结果和损失更新模型参数，不断训练直至达到收敛停止条件；保存模型，在新数据中加载模型并得到TOPN推荐结果。本发明着力提高因子分解机模型在时序推荐场景中的实用性和准确性，将多任务、注意力机制等与因子分解机相结合，从而提升因子分解机在现实时序推荐任务中的效果。
-
Patent Agency Ranking
公开(公告)号：CN110825978A
公开(公告)日：2020-02-21
申请号：CN201911026575.X
申请日：2019-10-26
Applicant: 复旦大学
IPC: G06F16/9536
Abstract: 本发明属于用户兴趣偏好预测技术领域，具体为基于近邻用户特征共享的多任务协同过滤方法。本发明包括两个阶段：K近邻用户群生成阶段，尽可能地产生用户的K个最相似邻居用户；兴趣预测阶段，借助K近邻用户预测当前活跃用户对于未评价物品可能的评分情况；本发明基于相似用户具有相似兴趣的认知，借鉴多任务特征学习方法在处理稀疏数据的优势，先根据具有重要性的皮尔逊相似度确定用户的K近邻用户群，然后在近邻用户范围内对用户特征空间进行不同程度的局部分享，最终获取用于兴趣预测的协同过滤的特征参数。此方法采用相似用户的反馈数据即相似用户的兴趣偏好，来补充当前用户的兴趣特征，缓和了数据稀疏问题，提高了推荐预测的准确性。
-
公开(公告)号：CN118445486A
公开(公告)日：2024-08-06
申请号：CN202410606669.9
申请日：2024-05-16
Applicant: 复旦大学
IPC: G06F16/9535 , G06F18/2415 , G06F18/2431
Abstract: 本发明公开了一种引入辅助信息的可解释高效序列推荐方法。本发明将用户兴趣明确建模为下一次交互物品的概率分布序列；除了将物品转移矩阵作为自编码器的输入外，还在隐藏层引入物品辅助信息，并结合分类任务来抽取更好的物品特征表示，进而得到代表整体用户兴趣的概率分布矩阵。在进行增量推荐时，通过整合新的物品转移信息得到更新后的下一次交互物品的概率分布，并根据更新后的用户交互序列对下一次交互物品概率分布序列进行注意力和时间衰减权重加权，得到更新后的个性化推荐。本发明建模过程较为透明，具备一定可解释能力；在不改变模型参数的情况下整合新的用户‑物品交互，在单次交互的增量级别上实现即时推荐。
-
公开(公告)号：CN117874337A
公开(公告)日：2024-04-12
申请号：CN202410006513.7
申请日：2024-01-03
Applicant: 复旦大学
IPC: G06F16/9535 , G06F16/9536 , G06F30/20
Abstract: 本发明公开了一种在线内容平台场景下的推荐交互模拟系统及其方法；本发明以智能体为基本单元对在线内容平台中用户与推荐系统之间交互动态进行模拟，其包括两种智能体，分别为用户智能体和推荐系统智能体；用户智能体，用于执行发布、转发、点赞、评论、关注、取消关注六种行为；推荐系统智能体，生成候选列表，以向用户智能体提供帖子推荐和朋友推荐；用户智能体采用由活跃度模型、偏好模型、生成模型构成的在线内容平台用户模拟通用框架，以对用户活跃度、用户交互偏好、用户内容生成趋势准确模拟，将用户多类型的复杂行为统一抽象为从候选列表中进行选择的标准过程；本发明可以满足在线内容平台场景下虚拟用户实验、推荐系统测试等需求。
-
公开(公告)号：CN111125620A
公开(公告)日：2020-05-08
申请号：CN201911061727.X
申请日：2019-11-01
Applicant: 复旦大学
IPC: G06F17/16
Abstract: 本发明属于推荐技术领域，具体为推荐系统中基于矩阵分解的并行随机梯度下降算法。本发明根据用户历史评分数据对未评分数据进行预测，采用混合交替更新的方式使其在高度并行的情况下依然保持良好的准确性；通过递归地将评分矩阵分成2×2的子矩阵，先并行处理左上角和右下角子矩阵，再并行处理右上角和左下角的子矩阵，避免了训练数据导致的参数向量依赖问题；在更新过程中固定一个参数向量求解另一个参数向量，解除了计算时的参数向量之间的依赖关系，降低了并行造成的精度损失。本发明通过引入混合交替更新的方式，解决了并行随机梯度下降算法在矩阵分解场景下参数向量更新时依赖的问题，并具有良好的准确性和扩展性。
-
公开(公告)号：CN117874338A
公开(公告)日：2024-04-12
申请号：CN202410006707.7
申请日：2024-01-03
Applicant: 复旦大学
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明公开了一种基于多行为多视图的危机场景下的信息推荐方法。该方法的具体步骤如下：（1）根据危机场景的特性对数据进行预处理，并获得推荐候选池；（2）将用户向量、项目向量以及项目文本内容作为模型的输入；（3）经过嵌入层获得用户初始嵌入及项目初始嵌入；（4）经过候选生成层，对用户的多行为利用多视图进行表示学习；（5）根据结果和损失更新模型参数，不断训练直至达到收敛停止条件；（6）经过排序层获得TOP N推荐列表；（7）保存模型，在新数据中加载模型并得到推荐列表。本发明通过提高危机场景下的信息推荐模型的准确性，将多行为、多视图等与危机场景的特性充分结合，从而提升该特殊场景下的推荐任务效果。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.014 seconds)
