-
公开(公告)号：CN117992680B
公开(公告)日：2024-06-07
申请号：CN202410390773.9
申请日：2024-04-02
Applicant: 华侨大学
IPC: G06F16/9536 , G06F16/9535 , G06F18/22 , G06F18/25
Abstract: 本发明涉及协同过滤推荐算法，公开了基于改进协同过滤及惩罚标签评分的多样化推荐方法，包括：获取推荐对象相关数据并构建用户‑物品交互矩阵；根据用户‑物品交互矩阵计算用户相似度和物品相似度，生成基于用户的推荐列表和基于物品的推荐列表；基于预设权重融合基于用户的推荐列表和基于物品的推荐列表，获取融合推荐列表；收集物品的标签，使用标签评分算法计算标签热门程度并对融合推荐列表中的物品根据标签热门程度进行分数削减，生成最终Top‑K推荐列表。本发明融合两种协同过滤算法，并引入对应的热门惩罚因子，解决了传统协同过滤算法的问题，能够有效降低热门用户和物品对于推荐的影响，使长尾数据也能够得到关注，增强推荐的多样性。
-
公开(公告)号：CN117992680A
公开(公告)日：2024-05-07
申请号：CN202410390773.9
申请日：2024-04-02
Applicant: 华侨大学
IPC: G06F16/9536 , G06F16/9535 , G06F18/22 , G06F18/25
Abstract: 本发明涉及协同过滤推荐算法，公开了基于改进协同过滤及惩罚标签评分的多样化推荐方法，包括：获取推荐对象相关数据并构建用户‑物品交互矩阵；根据用户‑物品交互矩阵计算用户相似度和物品相似度，生成基于用户的推荐列表和基于物品的推荐列表；基于预设权重融合基于用户的推荐列表和基于物品的推荐列表，获取融合推荐列表；收集物品的标签，使用标签评分算法计算标签热门程度并对融合推荐列表中的物品根据标签热门程度进行分数削减，生成最终Top‑K推荐列表。本发明融合两种协同过滤算法，并引入对应的热门惩罚因子，解决了传统协同过滤算法的问题，能够有效降低热门用户和物品对于推荐的影响，使长尾数据也能够得到关注，增强推荐的多样性。
-
公开(公告)号：CN119004401A
公开(公告)日：2024-11-22
申请号：CN202411481662.5
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06F18/27 , G06F9/50 , G06Q30/0601 , G06F18/21 , G06F18/214 , G06F18/241
Abstract: 本发明属于推荐系统领域，公开了一种基于Spark平台的分布式推荐方法，包括：结合因子分解机和随机梯度下降构建FM预测模型，所述FM预测模型以包括用户、物品和上下文信息的特征矩阵为输入，输出预测用户行为；配置Spark平台环境并加载原始数据，对原始数据进行预处理获得数据集；Spark平台初始化FM预测模型并根据任务类型进行训练，训练过程中Spark平台进行并行梯度计算并聚合梯度以更新参数；将训练好的FM预测模型部署到实际生产环境中，进行不同任务类型的实时预测，实现推荐。本发明结合Spark的分布式计算能力、内存计算、弹性容错和数据本地性等特性，以及SGD的计算效率高、内存占用低和收敛速度快的优点，可高效处理大规模高维度的稀疏数据集。
-
公开(公告)号：CN119475261A
公开(公告)日：2025-02-18
申请号：CN202411481787.8
申请日：2024-10-23
Applicant: 华侨大学
Abstract: 本发明提供一种基于Spark平台的并行化频繁项集挖掘方法，属于频繁模式挖掘领域，包括：Spark平台将原始数据集划分为多个子数据集并分布式存储于多个子节点，将各子节点存储的子数据集转换为对应的布尔矩阵；通过合并重复事务对布尔矩阵进行更新；各子节点同时对各布尔矩阵进行基于最小支持度阈值的筛选以分别得到各子节点对应的本地频繁项集；将各本地频繁项集汇总到一个中央节点上并形成全局候选集，全局候选集通过广播变量将全局候选集发送至每个子节点上，各子节点获取子全局频繁项集，将各子节点对应的子全局频繁项集进行合并得到全局频繁项集。本发明能够处理更大规模的数据集，更快地找到频繁项集。
-
公开(公告)号：CN118709859A
公开(公告)日：2024-09-27
申请号：CN202411180414.7
申请日：2024-08-27
Applicant: 华侨大学
IPC: G06Q10/04 , G06N20/10 , G06N3/006 , G06Q10/0631 , G06Q10/083 , G06Q10/087 , G06Q50/04 , G06F18/2411
Abstract: 本发明公开了一种基于IJS‑SVM模型的供应链优化方法、装置及可读介质，涉及数据处理领域，包括：构建三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型；采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值以及每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案，解决供应链过程中的不确定性问题。
-
Patent Agency Ranking
公开(公告)号：CN118013137B
公开(公告)日：2024-06-18
申请号：CN202410417606.9
申请日：2024-04-09
Applicant: 华侨大学
IPC: G06F16/9536 , G06F18/22 , G06Q30/0601
Abstract: 本发明公开了一种基于隐式反馈的协同过滤算法的优化策略，涉及协同过滤算法推荐领域，包括：基于用户的隐式反馈数据计算用户对交互商品的偏好值及商品热度；根据用户对交互商品的偏好值以及商品集合对每一个用户建立最近邻模型，预测该用户对部分未交互商品的偏好值，并将这部分未交互商品标注为该用户的交互商品；计算用户对所有商品有兴趣或无兴趣的置信度；采用改进ALS优化算法对用户和商品进行建模，获得用户‑商品模型；基于用户‑商品模型实现针对给定用户的商品推荐。本发明用于对隐式反馈数据进行一个高质量的分析，并提高基于隐式反馈数据的模型训练质量，同时有效缓解数据稀疏性带来的消极影响。
-
公开(公告)号：CN119006122B
公开(公告)日：2025-02-14
申请号：CN202411480223.2
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06Q30/0601 , G06N20/00 , G06F17/18 , G06F18/241
Abstract: 本发明涉及电子商务推荐系统领域，具体涉及一种基于隐式反馈的自适应降噪方法及装置，其包括获取用户对商品的隐式反馈数据，根据用户对商品的隐式反馈数据计算得到用户对与其交互过的交互商品的偏好值；根据用户对交互商品的偏好值计算得到用户对交互商品感兴趣的置信度，并计算得到所有商品的商品热度，根据商品热度计算得到用户对与其未交互过的未交互商品不感兴趣的置信度；根据商品热度构造负例集合；对用户和商品进行建模，并在采用负例集合训练时对各负例训练的权重自适应调整，以实现自适应降噪，得到准确的用户‑商品模型；基于用户‑商品模型对用户生成推荐列表，解决了隐式反馈数据的噪声干扰问题，实现自适应降噪。
-
公开(公告)号：CN118709859B
公开(公告)日：2024-11-29
申请号：CN202411180414.7
申请日：2024-08-27
Applicant: 华侨大学
IPC: G06Q10/04 , G06N20/10 , G06N3/006 , G06Q10/0631 , G06Q10/083 , G06Q10/087 , G06Q50/04 , G06F18/2411
Abstract: 本发明公开了一种基于IJS‑SVM模型的供应链优化方法、装置及可读介质，涉及数据处理领域，包括：构建三级供应链网络，并建立三级供应链网络的目标函数及其对应的约束条件；构建支持向量机模型，通过改进的水母搜索算法对支持向量机模型进行优化，得到优化后的支持向量机模型，对优化后的支持向量机模型进行训练，得到经训练的支持向量机模型；采用SHAP算法对经训练的支持向量机模型的输出结果进行解释，计算每个不确定因素特征的SHAP值以及每个不确定因素特征的权重值，根据每个不确定因素特征的权重值计算不确定性概率，基于不确定性概率求解目标函数在约束条件下的最优解，得到最优的供应链方案，解决供应链过程中的不确定性问题。
-
公开(公告)号：CN119006122A
公开(公告)日：2024-11-22
申请号：CN202411480223.2
申请日：2024-10-23
Applicant: 华侨大学
IPC: G06Q30/0601 , G06N20/00 , G06F17/18 , G06F18/241
Abstract: 本发明涉及电子商务推荐系统领域，具体涉及一种基于隐式反馈的自适应降噪方法及装置，其包括获取用户对商品的隐式反馈数据，根据用户对商品的隐式反馈数据计算得到用户对与其交互过的交互商品的偏好值；根据用户对交互商品的偏好值计算得到用户对交互商品感兴趣的置信度，并计算得到所有商品的商品热度，根据商品热度计算得到用户对与其未交互过的未交互商品不感兴趣的置信度；根据商品热度构造负例集合；对用户和商品进行建模，并在采用负例集合训练时对各负例训练的权重自适应调整，以实现自适应降噪，得到准确的用户‑商品模型；基于用户‑商品模型对用户生成推荐列表，解决了隐式反馈数据的噪声干扰问题，实现自适应降噪。
-
公开(公告)号：CN118013137A
公开(公告)日：2024-05-10
申请号：CN202410417606.9
申请日：2024-04-09
Applicant: 华侨大学
IPC: G06F16/9536 , G06F18/22 , G06Q30/0601
Abstract: 本发明公开了一种基于隐式反馈的协同过滤算法的优化策略，涉及协同过滤算法推荐领域，包括：基于用户的隐式反馈数据计算用户对交互商品的偏好值及商品热度；根据用户对交互商品的偏好值以及商品集合对每一个用户建立最近邻模型，预测该用户对部分未交互商品的偏好值，并将这部分未交互商品标注为该用户的交互商品；计算用户对所有商品有兴趣或无兴趣的置信度；采用改进ALS优化算法对用户和商品进行建模，获得用户‑商品模型；基于用户‑商品模型实现针对给定用户的商品推荐。本发明用于对隐式反馈数据进行一个高质量的分析，并提高基于隐式反馈数据的模型训练质量，同时有效缓解数据稀疏性带来的消极影响。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.026 seconds)
