-
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
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：CN118779525A
公开(公告)日：2024-10-15
申请号：CN202410931729.4
申请日：2024-07-12
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06F18/22 , G06F18/10
Abstract: 本发明提出的一种通用的解决数据稀疏性的推荐框架，包括从数据库中获取和清理数据信息，以获得所需信息；使用用户与物品原始的评分矩阵R生成用户交互矩阵T，然后采用流行度对共同交互矩阵进行赋权；使用用户与物品原始的评分矩阵R并采用一种相似度计算方法生成相似度矩阵S；通过共同交互值Ti,j与系统设定的可靠性阈值t进行比较，将共同交互值低于阈值的对应位置相似度进行过滤，保留较高可靠性位置的相似度值Si,j；使用矩阵分解模型MF对去噪后的相似度矩阵进行填充，并进行对称化处理，生成去噪填充后的相似度矩；结合去噪填充后的相似度值和原始评分值以得到用户对物品的预测值；对用户对未评分物品的综合预测值进行排序，选取前k个项目以生成用户的推荐物品列表。
-
公开(公告)号：CN119066262A
公开(公告)日：2024-12-03
申请号：CN202410931735.X
申请日：2024-07-12
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06N3/0475 , G06N3/094 , G06N3/045
Abstract: 本发明提出了基于条件生成对抗网络的负采样推荐模型。首先，通过数据清理获取用户项目评级矩阵R，并将其划分为隐式矩阵：高评分矩阵P，及低评分和无评分的矩阵U。使用间谍技术将P矩阵中部分数据作为间谍样本加入U矩阵，提高判别器的区分能力。随后，生成器通过排序获取可靠的负样本，经过条件生成对抗网络训练获取负样本概率，并选择高概率负样本输入协同过滤生成对抗网络，同时选取相同数量的其他负样本训练缓解平凡解问题。负样本处理策略要求其余负样本的预测值趋近于非零小数，策略负采样的预测值接近于0。最终，推荐结果模块对预测评级进行排序，推送前k个项目给目标用户，生成个性化推荐列表。
-
公开(公告)号：CN118585893A
公开(公告)日：2024-09-03
申请号：CN202410613520.3
申请日：2024-05-17
Applicant: 重庆邮电大学
IPC: G06F18/2411 , G06F18/214 , G06F18/10 , G06F18/25 , G06N3/094
Abstract: 本发明提出的一种融合扩散模型的生成对抗网络推荐方法，包括从数据库中获取和清理数据信息，以获得所需信息；通过前向加噪过程不断向用户‑项目评分矩阵中规律地增加高斯噪声，以破坏原始评分记录并将该稀疏矩阵稠密化，并得到条件向量与真实样本；根据条件向量，生成器在潜向量空间中进行不同时刻下的大步数去噪，以得到预测评分矩阵；通过Masking操作来模拟原始评分矩阵的稀疏性，得到一个稀疏性与原始矩阵相同的预测评分矩阵；利用扩散模型后向过程，根据预测评分矩阵计算去噪后验分布，对条件向量去噪，并得到与真实样本对应的虚假样本用于判别器训练；通过判别器来判断不同时刻下的加噪矩阵的Wasserstein距离，并指导生成器的训练；对去噪后的预测评分集合进行排序，将预测评级较高的前k个项目推送给目标用户，以形成其个性化推荐列表。
-
-
-
Search Results
4
records
(took 0.018 seconds)
