-
公开(公告)号：CN114445180B
公开(公告)日：2025-04-15
申请号：CN202210055478.9
申请日：2022-01-18
Applicant: 安徽农业大学
IPC: G06Q30/0601 , G06F16/36 , G06F16/9535 , G06F16/958 , G06N3/044 , G06N3/084 , G06N5/022
Abstract: 本发明公开了一种基于知识图谱的个性化推荐方法及装置，方法包括：S1：将用户、物品以及物品的属性值抽象为实体节点，基于用户与物品之间的关系建立第一边，将物品与物品属性值之间的属性关系作为第二边，进而构建出包含用户与物品的协同知识图谱，并根据协同知识图谱获取实体节点之间的嵌入表示；S2：针对实体节点中用户u与实体节点中物品i之间的连接路径，根据各个实体节点的嵌入对连接路径进行聚合处理，得到连接路径的嵌入表示；S3：使用实体节点之间的嵌入表示以及连接路径的嵌入表示训练预先搭建的模型直至模型收敛，得到目标预测模型，所述目标预测模型用于向用户推荐物品。本方法以端到端的方式可以进行更加准确的物品推荐。
-
公开(公告)号：CN119025762A
公开(公告)日：2024-11-26
申请号：CN202411517228.8
申请日：2024-10-29
Applicant: 安徽农业大学
IPC: G06F16/9536 , G06F16/9535 , G06F18/22 , G06N3/042 , G06N3/045 , G06N3/0442 , G06N3/0464 , G06N3/084
Abstract: 本发明属于智能推荐领域，具体公开了一种基于图神经网络的长短期兴趣感知协同推荐方法，包括：输入用户历史会话数据，构建用户会话全图；初始化项目嵌入，并确定最终的项目嵌入；确定每个会话对应的最终嵌入；确定会话全图的最终嵌入，即具有短期兴趣的用户交互嵌入；基于用户画像对用户嵌入，构建用户相似度矩阵，确定具有长期兴趣的用户相似度嵌入；基于用户交互嵌入，构建内容相似度矩阵，确定具有长期兴趣的内容相似度嵌入；确定用户的最终兴趣嵌入；内积计算用户对项目的偏好程度并生成推荐列表。本发明通过综合考虑用户长短期兴趣，更加准确地捕捉用户的个性化需求，提升推荐结果的相关性和准确性。
-
公开(公告)号：CN113496259B
公开(公告)日：2024-09-10
申请号：CN202110725548.2
申请日：2021-06-29
Applicant: 安徽农业大学
IPC: G06N3/042 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融入标签信息的图神经网络推荐方法，包括以下步骤：步骤1、构建用户‑物品交互图以及物品‑物品关联图；步骤2、学习用户‑物品交互图中节点的特征表示；步骤3、学习所述物品‑物品关联图中节点的特征表示；步骤4、利用用户‑物品交互图中节点的特征表示、物品‑物品关联图中节点的特征表示构建多层感知机预测用户对物品的交互偏好值；步骤5、基交互偏好值向用户推荐物品。相较于使用单一交互数据的传统推荐方法，本发明能进行更合理更精确的推荐，并在一定程度上缓解物品冷启动问题。
-
公开(公告)号：CN118536581A
公开(公告)日：2024-08-23
申请号：CN202410667615.3
申请日：2024-05-28
Applicant: 安徽农业大学
IPC: G06N5/01 , G06N3/042 , G06N3/08 , G06F16/9535 , G06N3/0442
Abstract: 本发明公开了一种融合异质路径嵌入与时间衰减的动态图推荐方法，包括以下步骤：步骤1、构建动态多路异构图；步骤2、当动态多路异构图中有新的边产生，通过路径重要性度量函数来评估动态多路异构图中每条路径的重要性并更新动态多路异构图；步骤3、构建动态关系增强表示更新器，得到每个用户节点、物品节点各自的特征表示；步骤4、构建动态时序信息扩散器，对每个用户节点、物品节点的特征表示进行更新；步骤5、根据步骤4更新后的用户节点、物品节点的特征表示，预测用户与物品下一刻产生交互的评分。本发明能够实时捕捉用户与推荐物品之间的交互行为。
-
公开(公告)号：CN118469738A
公开(公告)日：2024-08-09
申请号：CN202410618002.0
申请日：2024-05-17
Applicant: 安徽农业大学
Abstract: 本发明涉及生成对抗网络、人工智能生成内容和区块链存证技术领域，尤其是一种多模态农作物生长数据的生成及存证方法，步骤1、采集农作物生长过程中的多模态数据并进行预处理；步骤2、构建Conditional WGAN‑GP模型；步骤3、通过Conditional WGAN‑GP模型生成农作物生长多模态数据；步骤4、将生成的数据打包上链；本发明采用先进的生成对抗网络模型，并结合了丰富的历史农作物生长数据，包括多源传感器采集的环境参数、无人机拍摄的高分辨率农田图像、以及详细的农事活动记录文本等多模态信息。这些模型通过学习农作物生长过程中的时空规律和环境响应特性，能够生成具有高度真实感和多样性的虚拟农作物生长数据，涵盖从播种到收获的全周期生长状态及环境影响因素，通过区块链技术存证，保证了数据的可靠性和不可篡改性。
-
Patent Agency Ranking
公开(公告)号：CN111881260B
公开(公告)日：2024-05-17
申请号：CN202010761150.X
申请日：2020-07-31
Applicant: 安徽农业大学
IPC: G06F16/33 , G06F16/35 , G06F40/289 , G06F40/30 , G06F18/24 , G06N3/0442 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了基于方面注意力和卷积记忆神经网络情感分析方法及装置，所述方法包括：数据预处理得到文本数据集；获取字向量序列；提取句子特征作为文本卷积神经网络的输出向量；将若干字向量子序列输入到BGRU中提取文本上下文语义信息并将上下文语义信息融合作为提取文本序列信息；把文本卷积神经网络的输出向量和BGRU提取的文本序列信息进行拼接后输入到各个方面注意力模块进行后续情感分类并生成句子的整体表示向量；每个方面注意力模块获取待分类文本在每个情感类别上的概率并对特定方面的文本向量表示进行重构得到重构文本；构建损失函数，训练模型；本发明的优点在于：实现句子中不同方面同时进行情感极性分析，效率较高，计算量低。
-
公开(公告)号：CN115907148A
公开(公告)日：2023-04-04
申请号：CN202211454877.9
申请日：2022-11-21
Applicant: 安徽农业大学
IPC: G06Q10/04 , G06Q50/26 , G06N3/0442 , G06N3/08 , G06F18/214
Abstract: 本发明公开了一种基于PredRNN的全国生态环境信息可视化的预测方法及系统，该方法在可视化系统上的预测功能上嵌入PredRNN的深度学习模型，利用卷积层将空间上组不变性的归纳偏差引入到时空预测中，具有对历史观察序列更强的建模能力和更高的计算效率。通过网络爬虫技术获取实时生态环境数据，将数据经过处理后进入PredRNN预测模型中进行预测，在通过静态资源调用可视化工具，构建主页面，基于云服务端响应服务并请求，得到数据并可视化展示。最终得到的可视化数据可以用于广大用户查询。
-
公开(公告)号：CN113506131A
公开(公告)日：2021-10-15
申请号：CN202110727165.9
申请日：2021-06-29
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于生成式对抗网络的个性化推荐方法，利用用户对物品的评论情况，获取用户对物品的具体购买情况，再结合物品所属产地和随机变量，使用编码器捕获用户对物品的偏好，使用解码器预测用户将会购买的物品。利用预测的用户将会购买的物品、用户对物品的购买情况和物品所属产地，使用全连接层构建的判别器判断预测的用户将会购买的物品的真假情况。最终计算预测用户将会购买的物品与真实物品的相关系数，选取相关系数最高的物品进行推荐。
-
公开(公告)号：CN109187552B
公开(公告)日：2021-07-09
申请号：CN201810999005.8
申请日：2018-08-30
Applicant: 安徽农业大学
IPC: G01N21/88
Abstract: 本发明属于农作物病害监测技术领域，具体涉及一种基于云模型的小麦赤霉病害等级判定方法，包括病害区域的提取、颜色特征的构造、生成小麦赤霉菌颜色特征云模型、建立综合评价模型以及评价模型的分析；利用小麦赤霉病在逐渐病变过程中，病害区域的颜色变化与小麦病穗率等级的关系，结合云模型三个数字特征得出病害区域的颜色特征云，利用云模型对小麦赤霉病等级实现非硬性划分，实现综合评价。
-
公开(公告)号：CN112650929A
公开(公告)日：2021-04-13
申请号：CN202011614918.7
申请日：2020-12-31
Applicant: 安徽农业大学
IPC: G06F16/9535 , G06F40/284 , G06F40/30 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融入评论信息的图神经网络推荐方法，将用户评论文本作为节点信息的来源，使用BERT模型进行文本数据的特征提取工作，以得到每个节点的内容表述向量。再根据用户与物品的交互行为建立用户—物品二部图，通过在该二部图上搭建图神经网络聚合节点的一阶和三阶邻居信息，来学习用户和物品的结构表述，再将结构表述与内容表述相融合作为用户和物品的最终嵌入表示。最后，通过多层感知机MLP预测用户对各物品的交互概率。针对得到的预测结果，采用Top‑N排序，生成推荐物品列表。本发明能更精确捕捉用户偏好，找到用户的兴趣点，并对其进行更为准确有效的推荐。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.026 seconds)
