-
公开(公告)号：CN112269927B
公开(公告)日：2024-05-28
申请号：CN202011138457.0
申请日：2020-10-22
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06F16/9536 , G06F18/214 , G06F18/2433 , G06N3/042
Abstract: 本发明公开了一种基于会话序列动态行为偏好耦合关系分析的推荐方法，包括数据采集和处理、划分数据集、构建耦合模型、训练模型和项目推荐。本发明运用了GNN算法学习了用户及项目在会话序列内的动态特征信息，使推荐系统具有更好的推荐效果和可解释性，从非独立同分布的角度探究用户/项目之间的耦合关系，并考虑到了其中长短期动态耦合，利用耦合关系感知器捕获了用户/项目之间的动态耦合关系，提高了推荐的质量和准确度；将非独立同分布及将时间因素作为动态特征结合到了协同过滤中，可以较好的解决数据稀疏性和冷启动问题。
-
公开(公告)号：CN112084407B
公开(公告)日：2024-03-12
申请号：CN202010934802.5
申请日：2020-09-08
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/0464 , G06Q10/10 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种融合图神经网络和注意力机制的协同过滤推荐方法(AGCF)，该方法包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑在图结构中学习嵌入表示，通过嵌入传播在用户项目交互图上建模高阶连通性，让模型可以表达高维特征，显式地将协同过滤信号映射到嵌入过程中，获得更有效的嵌入；在得到的特征矩阵上引入CNN(Convolutional Neural Network)学习特征中每一维度之间的高阶相互关系，CNN尤其能抓住矩阵的局部和全局信息特征，而且具有较少的参数，因此更容易训练和泛化，另外，分层的塔式结构也使得高层集成了更丰富的信息，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。
-
公开(公告)号：CN112084428B
公开(公告)日：2024-02-02
申请号：CN202010979827.7
申请日：2020-09-17
Applicant: 辽宁工程技术大学
IPC: G06F16/9536 , G06F16/36 , G06N3/0464 , G06N3/048 , G06N3/08 , G06Q50/00
Abstract: 本发明公开了一种基于耦合网络嵌入及知识图谱的协同过滤推荐方法(SCKG‑CF)，包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明考虑了知识图(Knowledge Graph)的效用，通过将项目与其属性链接来打破独立交互假设，以端到端的形式显式地对知识图中的高阶连接进行建模；引入用户的社交网络图，考虑社交网络对推荐的影响，并使用注意力机制来区分邻居和社交关系的重要性，使推荐系统具有更好的推荐效果和可解释性；本发明在通过注意力权重与特征融合向量进行外积得到的特征矩阵上使用标准的多层感知器来学习用户项目特性之间更深层次的耦合关系，多层的神经网络结构也赋予模型高水平的灵活性和非线性建模能力。
-
公开(公告)号：CN112256980A
公开(公告)日：2021-01-22
申请号：CN202011147309.5
申请日：2020-10-23
Applicant: 辽宁工程技术大学
IPC: G06F16/9536 , G06K9/62 , G06N3/04
Abstract: 本发明公开了一种基于动态图注意力网络的多关系协同过滤推荐方法，该方法包括以下步骤：S1、数据采集及处理；S2、划分数据集；S3、构建融合模型；S4、模型的训练及项目推荐。本发明使用一个循环神经网络(RNN)对用户在会话中的行为进行建模，通过RNN潜在表示来捕捉用户当前的兴趣，并使用图注意力网络捕捉与用户有关系的朋友的影响，根据注意力机制来衡量沿每条边移动的特征以此来权衡每个朋友的影响，结合当前用户表示和社交朋友表示；从用户与项目的交互数据中获取项目关系，将项目关系和用户动态社交关系融入到用户与项目交互的学习过程中，学习多关系对用户与项目交互的影响，提高推荐准确度，从而使模型能够更好对用户偏好进行建模。
-
公开(公告)号：CN110134868A
公开(公告)日：2019-08-16
申请号：CN201910399992.2
申请日：2019-05-14
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06F17/27 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明公开了一种基于用户偏好异构性分析的推荐方法，步骤为：对Amazon公开数据集及进行数据筛选，得到符合要求的数据集；对处理好的文本数据进行分词分句并对文本数据进行词向量训练和名词短语提取；使用深度学习框架构建推荐系统模型；把预先处理好的文本数据分成训练集和测试集，使用构建好的模型对训练集进行训练，并对训练好的模型应用于测试集进行评价得到最优的推荐模型。本发明采用联合学习网络结构，分别处理文本多粒度信息的特征学习网络，还有用来学习用户和项目关联信息的协同过滤网络，数据处理中使用Spacy来提取名词性短语，并通过Word2Vec学习词语特征向量，减少输入网络的数据维度增强网络的推荐精度。
-
Patent Agency Ranking
公开(公告)号：CN112084415B
公开(公告)日：2024-02-02
申请号：CN202010982167.8
申请日：2020-09-17
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06Q10/10 , G06N3/0442 , G06N3/0499 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于用户和项目长短期时间耦合关系分析的推荐方法，包括数据采集和处理、划分数据集、构建耦合模型、训练模型和项目推荐。本发明运用了LSTM算法学习了用户及项目在长短期时间内的动态特征信息，使推荐系统具有更好的推荐效果和可解释性，从非独立同分布的角度探究用户/项目之间的耦合关系，并考虑到了其中长短期动态耦合，利用MLP多层感知器捕获了用户/项目之间的动态耦合关系，提高了推荐的质量和准确度；将非独立同分布及将长短期时间因素作为动态特征结合到了协同过滤中，可以较好的解决数据稀疏性和冷启动问题。
-
公开(公告)号：CN110134868B
公开(公告)日：2023-04-07
申请号：CN201910399992.2
申请日：2019-05-14
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/0442 , G06N3/048 , G06N3/08 , G06F16/35 , G06F40/289
Abstract: 本发明公开了一种基于用户偏好异构性分析的推荐方法，步骤为：对Amazon公开数据集及进行数据筛选，得到符合要求的数据集；对处理好的文本数据进行分词分句并对文本数据进行词向量训练和名词短语提取；使用深度学习框架构建推荐系统模型；把预先处理好的文本数据分成训练集和测试集，使用构建好的模型对训练集进行训练，并对训练好的模型应用于测试集进行评价得到最优的推荐模型。本发明采用联合学习网络结构，分别处理文本多粒度信息的特征学习网络，还有用来学习用户和项目关联信息的协同过滤网络，数据处理中使用Spacy来提取名词性短语，并通过Word2Vec学习词语特征向量，减少输入网络的数据维度增强网络的推荐精度。
-
公开(公告)号：CN110348968B
公开(公告)日：2022-02-15
申请号：CN201910637253.2
申请日：2019-07-15
Applicant: 辽宁工程技术大学
IPC: G06Q30/06 , G06Q30/02 , G06F16/33 , G06F16/335
Abstract: 本发明公开了一种基于用户及项目耦合关系分析的推荐系统及方法，包括数据采集和处理、划分数据集、构建耦合模型和训练模型和项目推荐。本发明考虑用户特征与项目特征之间的非常微观的耦合关系，当评分信息比较稀疏时这种耦合关系可以给用户推荐其喜好的项目，提高了推荐的质量；并运用了Attention机制捕获用户对于项目不同特征的喜好程度，使推荐系统具有更好的推荐效果和可解释性。另外，本发明利用Doc2vec从评论文本中提取用户和项目的显式特征，降低了用户/项目显式特征的维度，加快模型运行速度以及提高推荐准确度，相比于矩阵分解，本发明采用的卷积神经网络以及深度神经网络的非线性性有助于更深层次的学习特征间的交互。
-
公开(公告)号：CN113158078A
公开(公告)日：2021-07-23
申请号：CN202110418537.X
申请日：2021-04-19
Applicant: 辽宁工程技术大学
IPC: G06F16/9536 , G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种结合地点类别和社交网络的兴趣点推荐方法，该方法包括以下步骤数据采集及划分；构建地点类别矩阵；计算用户的地点偏好；使用社会正则化进行建模；运用结合地点类别和社交网络的兴趣点推荐算法生成推荐。本发明考虑先从用户历史签到记录获取用户地点类别偏好，然后考虑朋友间的类别偏好差异性，通过对社交网站Yelp的公开数据集进行分析，发现相比访问共同的地点，朋友之间更容易访问相同的类别。考虑朋友间地点类别偏好关系比直接考虑用户间项目偏好的关系更为合适。
-
公开(公告)号：CN110866145A
公开(公告)日：2020-03-06
申请号：CN201911080135.2
申请日：2019-11-06
Applicant: 辽宁工程技术大学
IPC: G06F16/735 , G06N3/04
Abstract: 本发明公开了一种共同偏好辅助的深度单类协同过滤推荐方法，步骤为：数据采集与处理；划分数据集；构建共同偏好辅助的模型；训练模型和项目推荐。本发明采用的个人深度潜在因素表示网络(DLFR)可以单独出来作为预测用户项目交互的概率，也可以作为共同偏好辅助的深度单类协同过滤推荐模型中的一个子网络，输出用户项目交互的耦合关系。本发明使用单类协同过滤(OCCF)以及深度神经网络(MLP)学习用户邻居对于项目类别的共同偏好以及用户与项目之间的交互，有助于学习更深层次的用户邻居偏好对用户项目交互的影响，具有良好的推荐准确度和可解释性。
-
-
-
-
-
-
-
-
-
Search Results
21
records
(took 0.031 seconds)
