公开(公告)号：CN117009675A

公开(公告)日：2023-11-07

申请号：CN202310884977.3

申请日：2023-07-18

Applicant: 重庆邮电大学

Inventor： 王永 ,  陈俊谕 ,  邓江洲 ,  王河洺 ,  伍奇 ,  郑磊 ,  黑旭盛

IPC: G06F16/9536 ,  G06F16/9535 ,  G06F17/16 ,  G06N3/043 ,  G06N3/048 ,  G06N3/08 ,  G06Q30/0601

Abstract: 本发明提出的基于图片模糊集的协同过滤推荐模型，包括从数据库中获取和清理数据信息，以获得原始评分矩阵；基于图片模糊集理论，将评分矩阵转换为四个代表用户不同偏好程度的矩阵，分別为隶属矩阵、中立矩阵、非隶属矩阵以及拒绝矩阵；利用BeMF模型对偏好矩阵进行拟合以学习用户和物品的特征向量信息，并通过特征向量的内积来获取用户对为评分物品的图片模糊数；借助打分函数，对图片模糊数进行打分；通过多层感知机学习历史评分中潜在的全局用户偏好；结合图片模糊数的打分(细粒度偏好)和多层感知机的输出值(全局偏好)，形成综合预测值并排序以生成推荐物品列表。

公开(公告)号：CN116881552A

公开(公告)日：2023-10-13

申请号：CN202310786127.X

申请日：2023-06-29

Applicant: 重庆邮电大学

Inventor： 杜茂康 ,  伍奇 ,  邓江洲 ,  胡良涛 ,  赵嘉怡 ,  陆聪 ,  王永

IPC: G06F16/9535 ,  G06F16/9536 ,  G06F16/9538 ,  G06F18/24 ,  G06N3/048 ,  G06N3/08 ,  G06Q30/0601 ,  G06F18/23213

Abstract: 本发明主要提出融合可靠性的联合神经协同过滤推荐系统，属于推荐技术领域。包括数据采集和预处理，转化为用户‑项目评分矩阵R；借助直觉模糊集概念来检测自然噪声并生成可靠性矩阵；设计双线性交互层提升获取特征向量低阶交互质量；通过统一的深度神经网络将评分训练和可靠性训练紧密耦合，从而双向增强评分预测和可靠性预测；根据预测分数对预测集合排序，取前top‑N个作为推荐列表；根据实验得出的最佳可靠性阈值过滤不可靠的预测评级，确保最终推荐列表的可信度，有效提升模型推荐性能。

公开(公告)号：CN119622104A

公开(公告)日：2025-03-14

申请号：CN202411776918.5

申请日：2024-12-05

Applicant: 重庆邮电大学

Inventor： 王永 ,  王河洺 ,  邓江洲 ,  李艾雯 ,  杨凯钧 ,  王霞 ,  王淞立 ,  伍奇

IPC: G06F16/9535 ,  G06F16/9536 ,  G06Q30/0601 ,  G06F18/22 ,  G06N3/045 ,  G06N3/09

Abstract: 本发明提出的一种基于项目相似性的流行度去偏推荐模型，包括从数据库中提取用户项目评分数据并进行预处理，得到原始评分矩阵；基于KL散度计算项目间的相似性，并基于此相似性计算基于项目相似性的流行度(ISP)；基于因果理论，将用户与项目的交互评分解耦为“真实兴趣”和“从众行为”两部分，并为用户和项目分配对应的嵌入向量；通过引入权重注意力机制，自适应学习用户的兴趣和从众行为的权重；基于得到的权重加权求和两部分得分，计算最终的个性化推荐得分；通过基于ISP的负采样方法划分训练数据集，并构建损失函数以监督解耦嵌入向量的学习；对用户未评分的项目进行评分值预测和排序，并选取前k个项目形成个性化推荐列表。

公开(公告)号：CN118779524A

公开(公告)日：2024-10-15

申请号：CN202410931726.0

申请日：2024-07-12

Applicant: 重庆邮电大学

Inventor： 杜茂康 ,  赵嘉怡 ,  邓江洲 ,  王永 ,  伍奇 ,  赵越 ,  郭翎子 ,  蔡雨晴

IPC: G06F16/9535 ,  G06F16/9536 ,  G06F18/15 ,  G06N20/00

Abstract: 本发明提出的基于跨模型去噪的推荐模型，包括从数据库中获取和清理数据信息，以获得原始交互矩阵。同时基于原始交互矩阵，为每一组正样本随机抽样出负样本。利用NCF模型作为预测主模型，并利用MF模型作为辅助模型。借助KL散度，衡量NCF模型与MF模型的预测结果分布的一致性，剔除正负样本中KL散度值较高的噪声样本，提高推荐的准确性。并且将负样本内剔除的以及可靠的样本填充回正样本内，充分考虑填充样本的可靠性，以保证推荐的多样性与可靠性。此外，在NCF模型框架下，融合GMF模型和MLP模型。学习用户历史行为中的偏好，获取预测值并排序以生成推荐项目列表，提高模型的推荐质量。

公开(公告)号：CN119357475A

公开(公告)日：2025-01-24

申请号：CN202411581994.0

申请日：2024-11-07

Applicant: 重庆邮电大学

Inventor： 杜茂康 ,  赵嘉怡 ,  邓江洲 ,  赵越 ,  伍奇 ,  王霞 ,  王河洺

IPC: G06F16/9535 ,  G06F16/9536 ,  G06F18/10 ,  G06F18/214 ,  G06F18/22 ,  G06N3/084 ,  G06N3/0895

Abstract: 本发明提出的基于对比学习的自适应去噪与交互增强的推荐模型，将自适应去噪与基于结构相似性的交互填充相结合。在模型训练过程中，通过动态修剪被识别为噪声的交互来减少对推荐系统的干扰。为了保持正样本和负样本之间的平衡，模型根据用户和项目嵌入之间的结构相似性选择高可靠交互并进行填充，从而丰富训练数据集。此外，本发明引入了一种基于互信息最大化的对比学习策略，优化已修剪和填充交互之间的用户偏好，提升模型在潜在向量空间中捕获关键特征的能力。在不依赖额外辅助信息的情况下，有效学习用户历史行为中的偏好，生成推荐项目列表。本发明有效增强了模型的信息利用率和泛化能力，提高了模型的推荐质量。

公开(公告)号：CN116452293A

公开(公告)日：2023-07-18

申请号：CN202310416927.2

申请日：2023-04-18

Applicant: 重庆邮电大学

Inventor： 邓江洲 ,  王永 ,  陈俊谕 ,  郭琦 ,  伍奇 ,  陈思彤 ,  张雪

IPC: G06Q30/0601 ,  G06F18/213 ,  G06F18/25 ,  G06N3/048

Abstract: 本发明提出一种融合物品受众特征的深度学习推荐方法及系统，属于推荐技术领域。包括有数据收集及数据清洗；转化评分为隐式反馈矩阵；获取物品的历史交互用户列表；运用注意力机制，自适应计算物品的个性化受众特征；通过线性回归与向量内积学习数据中的低阶特征；设计特征交互层以显式地进行特征交叉；利用多层全连接神经网络进一步学习高阶特征；融合低阶和高阶特征信息输出目标用户对物品的预测值；对预测集合排序，进行top‑N推荐；经过多次实验验证，本发明能够充分挖掘历史交互信息中的潜在价值，提高推荐质量，展现出良好的应用潜力。