-
公开(公告)号：CN113342995A
公开(公告)日：2021-09-03
申请号：CN202110759010.3
申请日：2021-07-05
Applicant: 成都信息工程大学
IPC: G06F16/36 , G06F16/335 , G06F40/30
Abstract: 本发明涉及推荐系统技术领域，尤其涉及一种基于路径语义和特征提取的负样本提取方法。包括以下步骤：S1.进行样本采集，收集需要进行提取的样本范围，搭建采样系统模型；S2.将知识图谱的三元组结构的表示学习与SDAE结合，进而从关系中获取物品实体的编码S3.根据知识图谱中用户节点和物品节点的关联关系，结合相应的搜索算法采样得到负样本；S4.按照评分高低对负样本数据集进行排序S5.对低分负样本数据集进行修剪；S6.基于数据集进行对比试验，本发明采取基于路径的综合方式优化已有模型，从正样本出发，通过强化学习方法递归探索图谱中的节点关系，结合通道注意力将有用的特征增强，对信息量小或者无用特征进行适当抑制。
-
公开(公告)号：CN113342995B
公开(公告)日：2022-12-02
申请号：CN202110759010.3
申请日：2021-07-05
Applicant: 成都信息工程大学
IPC: G06F16/36 , G06F16/335 , G06F40/30
Abstract: 本发明涉及推荐系统技术领域，尤其涉及一种基于路径语义和特征提取的负样本提取方法。包括以下步骤：S1.进行样本采集，收集需要进行提取的样本范围，搭建采样系统模型；S2.将知识图谱的三元组结构的表示学习与SDAE结合，进而从关系中获取物品实体的编码S3.根据知识图谱中用户节点和物品节点的关联关系，结合相应的搜索算法采样得到负样本；S4.按照评分高低对负样本数据集进行排序S5.对低分负样本数据集进行修剪；S6.基于数据集进行对比试验，本发明采取基于路径的综合方式优化已有模型，从正样本出发，通过强化学习方法递归探索图谱中的节点关系，结合通道注意力将有用的特征增强，对信息量小或者无用特征进行适当抑制。
-
公开(公告)号：CN113342994B
公开(公告)日：2022-07-05
申请号：CN202110758174.4
申请日：2021-07-05
Applicant: 成都信息工程大学
IPC: G06F16/36 , G06F16/335 , G06F16/9535 , G06Q10/06 , G06Q10/10 , G06Q30/06 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于无采样协作知识图网络的推荐系统，包括：嵌入模块设置为获取知识图谱中三元组的初始嵌入向量；无采样知识图卷积模块设置为包含若干线性聚合器的单层卷积网络，对初始嵌入向量进行无采样的预计算，获得三元组的深层次信息；将嵌入向量和深层次信息结合作为更新嵌入向量；协作传播模块设置为同时编码用户和项目交互中的协作信号作为用户和项目的初始偏好，与更新嵌入向量结合作为预测模块的输入向量；预测模块设置为根据输入向量获得推荐结果。本发明仅通过设计较为复杂的传播矩阵和预计算操作，实现了不差于深度模型的性能和更快的速度，已经更准确的预测结果。
-
公开(公告)号：CN113342994A
公开(公告)日：2021-09-03
申请号：CN202110758174.4
申请日：2021-07-05
Applicant: 成都信息工程大学
IPC: G06F16/36 , G06F16/335 , G06F16/9535 , G06Q10/06 , G06Q10/10 , G06Q30/06 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于无采样协作知识图网络的推荐系统，包括：嵌入模块设置为获取知识图谱中三元组的初始嵌入向量；无采样知识图卷积模块设置为包含若干线性聚合器的单层卷积网络，对初始嵌入向量进行无采样的预计算，获得三元组的深层次信息；将嵌入向量和深层次信息结合作为更新嵌入向量；协作传播模块设置为同时编码用户和项目交互中的协作信号作为用户和项目的初始偏好，与更新嵌入向量结合作为预测模块的输入向量；预测模块设置为根据输入向量获得推荐结果。本发明仅通过设计较为复杂的传播矩阵和预计算操作，实现了不差于深度模型的性能和更快的速度，已经更准确的预测结果。
-
-
-
Search Results
4
records
(took 0.025 seconds)
