-
公开(公告)号：CN113723551A
公开(公告)日：2021-11-30
申请号：CN202111039921.5
申请日：2021-09-06
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种麻雀算法优化模糊聚类的推荐方法，步骤为：收集用户对项目进行评分的数据，构建用户‑项目矩阵；先利用麻雀搜索算法查找最优的初聚类中心，再使用最优的聚类中心对用户进行模糊聚类；找出目标用户候选邻居簇，计算目标用户与簇中候选邻居之间的相似度；对目标推荐用户未评分项目进行预测，通过上述相似度的度量，得到评分预测，并按照降序排列，将前N个项目推荐给用户。本发明的麻雀算法优化模糊聚类的推荐方法使推荐的准确度更加精确，用户个性也更加明显，提供麻雀算法优化模糊聚类的推荐方法，有效缓解数据稀疏性、主观性强等问题，推荐误差明显减小，具有良好的推荐效果。
-
公开(公告)号：CN111310885A
公开(公告)日：2020-06-19
申请号：CN202010125484.8
申请日：2020-02-27
Applicant: 辽宁工程技术大学
IPC: G06N3/00
Abstract: 本发明公开了一种引入变异策略的混沌天牛群搜索算法，包括：应用粒子群策略将天牛须搜索算法中的天牛个体扩展为天牛群，扩大算法的搜索范围；引入混沌映射机制对天牛群进行混沌扰动，使初始化的种群以随机的方式均匀分布，加快算法的收敛速度；提出变异因子策略进行位置更新，使该算法更易跳出局部最优，增强算法的稳定性与精度。本发明改进了传统天牛须搜索算法(BAS)在解决高维度问题时精度低、收敛速度慢、稳定性差、易陷入局部最优等缺点，同时保留了BAS参数少、易于实现等优点，极大的提高了收敛速度、增强了算法的稳定性和全局搜索能力，最大限度的避免了陷入局部最优解的问题。
-
公开(公告)号：CN112883282B
公开(公告)日：2023-12-22
申请号：CN202110340661.9
申请日：2021-03-30
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/006
Abstract: 本发明公开了一种基于麻雀搜索优化聚类的组推荐方法，该方法包括以下步骤：S1、收集用户对项目进行评分的数据，使用麻雀搜索优化的密度峰值聚类算法对用户项目评分矩阵进行相似度划分，形成群体；选用皮尔逊相关性度量方法计算群体中成员之间的相似度，得到成员与成员的相似度矩阵；根据成员间的相似度值和信任度值设计公式计算成员相互的影响权重，得到成员与成员的权重值矩阵；通过得到成员相互影响的权重后估算成员对项目的新评分，根据平均策略估算群体中成员对每个项目的评分和排序，并推荐评分最高的Top‑k项目进行组推荐。本发明通过均值融合策略，将预测评分融合并排序完成top‑k推荐，解决推荐系统面向单一用户推荐的局限，提高推荐的准确度。
-
公开(公告)号：CN114492763A
公开(公告)日：2022-05-13
申请号：CN202210141079.4
申请日：2022-02-16
Applicant: 辽宁工程技术大学
Abstract: 本发明公开了一种融合全局上下文信息注意力增强的图神经网络方法，步骤为：首先利用所有会话序列信息构建全局图，从全局图中抽取目标会话相关的信息，以便更好地推断目标会话的用户偏好，其次利用GNN学习目标会话图中涉及的所有物品向量表示，并采用目标注意力机制和位置注意力网络获得会话向量表示。最后融合会话长度信息，为长期偏好和短期偏好分配不同的权重，从而为用户做出更有效的推荐。本发明采用会话感知注意机制来递归地合并全局图上每个节点的邻居嵌入，还设计了一个会话级物品表示学习层，它在会话图上使用GNN来学习当前会话中的会话级物品嵌入，使用注意力机制聚合学习到的物品表示。
-
公开(公告)号：CN112507231A
公开(公告)日：2021-03-16
申请号：CN202011495658.6
申请日：2020-12-17
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/00 , G06K9/62
Abstract: 本发明公开了一种基于GWO‑FCM的个性化推荐方法，该方法包括以下步骤：S1、从电影观看平台中得到用户在一定时间周期内的数据信息，获取用户的兴趣爱好；S2、根据用户的行为信息，应用优化的协同过滤算法提取电影信息，形成算法推荐列表；S3、处理算法推荐列表，根据用户的观看记录和浏览记录进行筛选，预测过滤后的电影评分并且进行排序，得到实际推荐列表，形成个性化推荐；S4、根据预测评分对推荐内容降序排列，将电影的具体信息推送到对应的位置。本发明充分了解用户间的兴趣爱好进行推荐，使用基于狼群算法优化的模糊C‑均值聚类算法的个性化推荐模型，能够在一定程度上缓解数据稀疏性，更加精准地进行推荐。
-
Patent Agency Ranking
公开(公告)号：CN110866047A
公开(公告)日：2020-03-06
申请号：CN201911108340.5
申请日：2019-11-13
Applicant: 辽宁工程技术大学
IPC: G06F16/2458 , G06F16/27 , G06Q50/00
Abstract: 本发明公开了一种基于改进关联规则的社团发现算法，首先支持度自适应，用数学方法计算出最小支持度；其次引入布尔矩阵和事务权重思想改进Apriori算法，减少扫描数据库次数；最后与Spark平台结合，实现改进关联规则的社团发现算法并行化。本发明的基于改进关联规则的社团发现算法通过利用MAC地址挖掘社团成员，引入支持度自适应的思想和通过添加事务权重生成布尔矩阵的方法来改进Apriori算法，将改进的算法与Spark结合实现算法的并行化，通过挖掘频繁项集的方式挖掘社团成员间的关系。实验结果表明，ARCD算法解决了人为设置支持度的主观性及社团挖掘结果冗余的问题，具有良好的可扩展性，提高了社团发现的挖掘速度。
-
公开(公告)号：CN113516164A
公开(公告)日：2021-10-19
申请号：CN202110485451.9
申请日：2021-04-30
Applicant: 辽宁工程技术大学
IPC: G06K9/62 , G06K9/46 , G06F16/951 , G06F16/36 , G06F40/295 , G06N3/04
Abstract: 本发明公开了一种融合知识图谱与深度学习的果树病虫害诊断方法，该方法主要步骤包括数据采集以及预处理；构建病虫害领域知识图谱；利用VGG模型提取图像特征；利用知识图谱和TransR知识表示模型对病虫害症状描述文本进行向量化表示，利用BiLSTM进行文本特征提取；融合图像和文本特征向量进行病虫害诊断与识别。该方法从文本和图像两个维度数据进行分析，并结合知识图谱、知识表示模型和深度学习能够挖掘更深层的病虫害特征，从而达到了更准确的识别效果。
-
公开(公告)号：CN113434768A
公开(公告)日：2021-09-24
申请号：CN202110767417.0
申请日：2021-07-07
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06K9/62 , G06N3/00
Abstract: 本发明公开了一种融合磷虾群算法和FCM的个性化推荐方法，该方法包括以下步骤：S1、获取用户‑项目评分矩阵；S2、通过磷虾群算法优化的FCM聚类算法对用户进行模糊聚类；S3、利用皮尔逊相关系数计算用户之间的相似度；S4、预测评分产生推荐列表。本发明的融合磷虾群算法和FCM的个性化推荐方法采用的磷虾群算法具有良好的全局探索能力和收敛精度，用磷虾群算法对FCM聚类算法进行优化，使推荐算法在对用户聚类时能获取更合理的初始聚类中心，提升推荐精度。
-
公开(公告)号：CN112883282A
公开(公告)日：2021-06-01
申请号：CN202110340661.9
申请日：2021-03-30
Applicant: 辽宁工程技术大学
IPC: G06F16/9535 , G06N3/00
Abstract: 本发明公开了一种基于麻雀搜索优化聚类的组推荐方法，该方法包括以下步骤：S1、收集用户对项目进行评分的数据，使用麻雀搜索优化的密度峰值聚类算法对用户项目评分矩阵进行相似度划分，形成群体；选用皮尔逊相关性度量方法计算群体中成员之间的相似度，得到成员与成员的相似度矩阵；根据成员间的相似度值和信任度值设计公式计算成员相互的影响权重，得到成员与成员的权重值矩阵；通过得到成员相互影响的权重后估算成员对项目的新评分，根据平均策略估算群体中成员对每个项目的评分和排序，并推荐评分最高的Top‑k项目进行组推荐。本发明通过均值融合策略，将预测评分融合并排序完成top‑k推荐，解决推荐系统面向单一用户推荐的局限，提高推荐的准确度。
-
公开(公告)号：CN109670121A
公开(公告)日：2019-04-23
申请号：CN201811549948.7
申请日：2018-12-18
Applicant: 辽宁工程技术大学
IPC: G06F16/9536 , G06F16/9535
Abstract: 本发明公开了一种基于注意力机制的项目级和特征级深度协同过滤推荐算法，包括如下步骤：S1统计用户的历史项目评分；S2根据用户的历史项目评分计算用户对目标项目的特征级内容表示；S3根据用户的历史项目评分以及S2的技术结果计算用户对目标项目的项目级预测评分。本发明通过结合项目级和特征级上的注意力机制对提高推荐精度有一定的效果，并相比现有技术而言在对用户历史偏好的分析更具有可解释性。通过还为将考虑在其它协同过滤模型中扩展DACF，如最近提出的神经协同过滤和离散协同过滤；为将来的研究将探索更高阶的特征级注意力机制，进一步夯实了推荐系统的研究的理论基础。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.022 seconds)
