公开(公告)号：CN116662532A

公开(公告)日：2023-08-29

申请号：CN202310804951.3

申请日：2023-07-03

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  胡静 ,  黄泽锰 ,  汪祝 ,  周俊丞

IPC: G06F16/335 ,  G06N3/0442 ,  G06F16/9535

Abstract: 本发明公开了一种基于图神经网络的神经时间门自适应融合会话推荐方法。本模型分为五个层次：会话图构建层、会话嵌入层、注意力网络层、神经时间门层和评分预测层，具体包括：将用户历史会话点击序列作为输入来构建会话图；通过图神经网络学习项目在会话图上的嵌入，得到项目嵌入的向量表示；所有项目向量输入注意力网络，分别提取出用户的长期偏好和短期偏好；通过神经时间门融合长期偏好和短期偏好，生成最终的偏好嵌入；融合项目嵌入与最终的偏好嵌入，输入到归一化指数函数以对候选项目进行评分预测。本发明主要提出了一个基于神经时间门的长期偏好和短期偏好在维度层面的细粒度融合的方法，学习到更有代表性和更全面的融合偏好嵌入，使模型能挖掘到更精准的用户偏好，提高推荐系统的关键性能。

公开(公告)号：CN118747664A

公开(公告)日：2024-10-08

申请号：CN202410868274.6

申请日：2024-06-28

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  黄泽锰 ,  胡静 ,  汪祝 ,  周俊丞

IPC: G06Q30/0242 ,  G06N3/0442 ,  G06F18/25 ,  G06F18/214 ,  G06F18/21 ,  G06N3/08 ,  G06N3/048 ,  G06Q30/0241

Abstract: 本申请涉及深度学习、电商广告、点击通过率预估、门控网络、注意力机制、特征交叉等技术，并公开了一种使用门控注意力机制预估电商广告点击通过率的方法。该方法为：收集电商广告数据集，在数据输入层对数据集进行预处理，然后划分为训练集、验证集和测试集。处理后的数据输入到特征嵌入层，得到特征嵌入向量。接着，将特征嵌入向量输入到门控混合注意力模块，分别训练浅层模型和深层模型所需的特征嵌入向量。随后，将门控混合注意力模块输出的两类特征嵌入向量分别输入到特征交互层中的域矩阵因子分解机和增强深度交互网络中，进行特征的低阶交互和高阶交互。最终，在预测层中，将深层模型与浅层模型的输出结合，得到用户点击目标物品的预测概率。本发明适用于广告点击通过率预测、用户行为预测、用户兴趣预测等二分类预测问题领域。

公开(公告)号：CN117556133A

公开(公告)日：2024-02-13

申请号：CN202311478469.1

申请日：2023-11-08

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  胡静 ,  黄泽锰 ,  汪祝 ,  周俊丞

IPC: G06F16/9535 ,  G06F16/901 ,  G06F18/213 ,  G06F18/2415 ,  G06F18/25 ,  G06F18/20 ,  G06N3/042 ,  G06N3/0442 ,  G06N3/045 ,  G06N3/084 ,  G06F123/02

Abstract: 本发明公开了一种基于图神经网络的神经时间门时序增强会话推荐方法。本模型主要流程：将用户的历史会话点击序列作为输入，构建会话图和时间会话；通过图神经网络和循环神经网络分别学习项目和时间特征，拼接成项目向量表示；所有项目向量输入注意力网络，分别提取出用户的长期偏好和短期偏好；通过神经时间门融合长短期偏好，生成最终的偏好嵌入；融合项目嵌入与最终的偏好嵌入，输入到归一化指数函数以对候选项目进行最终的评分预测。本发明主要提出了一种基于时态会话的充分挖掘时序信息的方法，解决了在图编码过程中丢失原序列时序的问题，减少用户无意点击项目的影响，使模型能挖掘到更精准的用户偏好，提高推荐系统的关键性能。

公开(公告)号：CN117078313A

公开(公告)日：2023-11-17

申请号：CN202310619272.9

申请日：2023-09-25

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  黄泽锰

IPC: G06Q30/0242 ,  G06Q30/0241 ,  G06N3/048 ,  G06N3/08

Abstract: 本申请涉及深度学习、AIGC、并行结构CTR预估、域矩阵因子分解机技术，并公开了一种使用深度学习预估AIGC生成广告点击通过率的方法。以DeepFM模型为基础，利用FmFM与EDNN并行连接得到新的CTR预估模型。在新的模型架构中，数据输入层对数据集中的数据进行预处理，然后划分为训练集、验证集和测试集；将数据输入层处理后的数据输入到特征嵌入层，得到特征嵌入向量；将特征嵌入向量分别输入到FmFM和EDNN当中，别进行特征的低阶交互和高阶交互；在预测层中，将FmFM与EDNN的输出进行结合，从而得到用户点击目标物品的预测概率。本发明适用于广告点击通过率预测、用户行为预测、用户兴趣预测等二分类预测问题领域。