-
Patent Agency Ranking
公开(公告)号：CN110532464B
公开(公告)日：2022-04-12
申请号：CN201910743597.1
申请日：2019-08-13
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/951 , G06F16/36 , G06Q50/14
Abstract: 本发明公开了一种基于多旅游上下文建模的旅游推荐方法，包括：采集数据并进行预处理，对用户、景点及其属性数据进行编号；构建旅游序列轨迹和景点知识图谱；通过深度学习模型训练得到游客访问行为序列上下文和景点旅游属性上下文的特征表示；融合多旅游上下文信息得到最终的用户向量和景点向量；计算用户向量与各景点向量的空间距离相似度，得到Top‑K旅游景点推荐。本发明利用向量融合的方法将由游客访问行为序列上下文和景点旅游属性上下文分别得到的用户向量和景点向量合并为最终的用户向量和景点向量，该特征表示有效地融合了多旅游上下文，提高了特征表示中的高级旅游语义，确保了推荐的有效性。
-
公开(公告)号：CN111949894B
公开(公告)日：2023-05-23
申请号：CN202010874741.8
申请日：2020-08-27
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06F16/9535
Abstract: 本发明公开一种基于多空间交互的协同过滤个性化推荐方法，将用户与项目映射到多个子空间，不同子空间从不同的角度来描述用户与项目的交互，能得到更加充分的用户项目交互特征信息；使用向量级注意力机制来给聚集的向量不同的权重，使聚集的用户表示向量和项目表示向量更合理；在将多个子空间的表示向量聚集成最终的用户与项目表示向量时，本发明使用空间级注意力机制给不同子空间不同的权重，最终聚集得到的用户表示向量和项目表示向量更加合理，以此提升个性推荐的效果。
-
公开(公告)号：CN111949894A
公开(公告)日：2020-11-17
申请号：CN202010874741.8
申请日：2020-08-27
Applicant: 桂林电子科技大学
IPC: G06F16/9536 , G06F16/9535
Abstract: 本发明公开一种基于多空间交互的协同过滤个性化推荐方法，将用户与项目映射到多个子空间，不同子空间从不同的角度来描述用户与项目的交互，能得到更加充分的用户项目交互特征信息；使用向量级注意力机制来给聚集的向量不同的权重，使聚集的用户表示向量和项目表示向量更合理；在将多个子空间的表示向量聚集成最终的用户与项目表示向量时，本发明使用空间级注意力机制给不同子空间不同的权重，最终聚集得到的用户表示向量和项目表示向量更加合理，以此提升个性推荐的效果。
-
公开(公告)号：CN110490849A
公开(公告)日：2019-11-22
申请号：CN201910720076.4
申请日：2019-08-06
Applicant: 桂林电子科技大学
Abstract: 本发明提出一种基于深度卷积神经网络的钢板表面缺陷分类方法及装置，该分类方法包括：构建钢铁表面缺陷数据集，所述缺陷包括龟裂、折叠、覆盖杂质、斑点、点蚀面、表面氧化、划痕；对所述钢铁表面缺陷数据集进行预处理；对预处理后的数据集中的图像进行数据扩充；将数据扩充处理后的数据集作为训练集；利用所述训练集训练深度卷积神经网络；利用所训练的深度卷积神经网络对钢板表面缺陷进行分类。本发明对于图像分类来说，具有较高的精准度。
-
公开(公告)号：CN110532464A
公开(公告)日：2019-12-03
申请号：CN201910743597.1
申请日：2019-08-13
Applicant: 桂林电子科技大学
IPC: G06F16/9535 , G06F16/951 , G06F16/36 , G06Q50/14
Abstract: 本发明公开了一种基于多旅游上下文建模的旅游推荐方法，包括：采集数据并进行预处理，对用户、景点及其属性数据进行编号；构建旅游序列轨迹和景点知识图谱；通过深度学习模型训练得到游客访问行为序列上下文和景点旅游属性上下文的特征表示；融合多旅游上下文信息得到最终的用户向量和景点向量；计算用户向量与各景点向量的空间距离相似度，得到Top-K旅游景点推荐。本发明利用向量融合的方法将由游客访问行为序列上下文和景点旅游属性上下文分别得到的用户向量和景点向量合并为最终的用户向量和景点向量，该特征表示有效地融合了多旅游上下文，提高了特征表示中的高级旅游语义，确保了推荐的有效性。
-
-
-
-
Search Results
5
records
(took 0.022 seconds)
