-
公开(公告)号：CN113868517A
公开(公告)日：2021-12-31
申请号：CN202111087039.8
申请日：2021-09-16
Applicant: 北京交通大学
IPC: G06F16/9535 , G06Q30/06 , G06N20/00
Abstract: 本发明提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括：获取推荐主任务数据，收集用户反馈数据，构建用户‑物品反馈矩阵；获取自监督辅助任务数据，利用自监督辅助任务数据进行数据增广，获得增广后的用户‑物品反馈矩阵；将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型；根据训练好的SSVAE模型预测用户对未评分物品的喜好程度，并将预估分值较高的物品推荐给用户。本发明的方法通过设计简单而有效的自监督任务挖掘用户反馈信息的内在特征，辅助主任务获取更高质量的用户表征，可以大幅度提高推荐性能。
-
公开(公告)号：CN110321494B
公开(公告)日：2021-08-31
申请号：CN201910563575.7
申请日：2019-06-26
Applicant: 北京交通大学
IPC: G06F16/9536 , G06Q50/00
Abstract: 本发明提供了一种基于矩阵分解与网络嵌入联合模型的社会化推荐方法。该方法包括：构建用户‑物品评分矩阵和用户‑用户社交网络，同时根据用户‑用户社交网络生成用户社交语料；利用用户‑物品评分数据和用户社交语料训练矩阵分解与网络嵌入联合模型，得到用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预测出未观测评分；将预测评分数值较高的若干物品推荐给相应用户。本发明通过设计统一目标函数无缝整合了矩阵分解模型与网络嵌入模型；基于统一的优化框架，实现了矩阵分解模型与网络嵌入模型之间的双向促进与协同优化，从而可向用户精准推荐其所感兴趣的物品。
-
Patent Agency Ranking
公开(公告)号：CN112256966A
公开(公告)日：2021-01-22
申请号：CN202011146993.5
申请日：2020-10-23
Applicant: 北京交通大学
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N20/20 , G06Q50/00
Abstract: 本发明提供了一种基于半监督因子分解机的物品推荐方法。该方法包括：构建“用户‑物品‑行为”三元组集合，抽取用户边特征集合和物品边特征集合，进而得到标记样本集合；通过有放回采样，得到两组“训练集‑验证集”划分；对两个训练集独立运用因子分解机，得到两个推荐模型；每个推荐模型标记一些未标记样本，交给对侧推荐模型；利用验证集对伪标记样本进行置信度评估，并依据评估结果更新模型参数和扩充训练集；重复该过程，直至收敛；线性融合两个更新后的推荐模型，用于线上物品推荐。本发明联合使用边信息与未标记数据，既提升了标记数据样本的信息量，也扩充了训练样本数量，从而有效缓解了数据稀疏性问题，达到提升推荐系统性能的目的。
-
公开(公告)号：CN106202583A
公开(公告)日：2016-12-07
申请号：CN201610798281.9
申请日：2016-08-31
Applicant: 北京交通大学
IPC: G06F17/30
Abstract: 针对数字图像往往具有复杂背景信息，现有视觉特征描述方法难以对其进行准确表达的问题，公开一种图像的视觉特征优化方法和装置。该方法包括：获取待分析图像的视觉词袋特征向量；获取图像数据集中每个图像对应的查询日志特征向量；根据各查询日志特征向量，计算待分析图像的同兴趣近邻图像；获取每幅同兴趣近邻图像的视觉词袋特征向量；根据待分析图像中每个视觉单词在同兴趣近邻图像所对应视觉单词中的分布情况，对待分析图像各视觉单词进行投票；根据投票结果过滤待分析图像的视觉词袋特征向量，剔除对视觉主体内容表达有不利影响的视觉单词，达到视觉特征优化的目的。优化后的视觉特征具有稀疏化的表达形式，节省了存储空间和后续计算开销。
-
公开(公告)号：CN113868517B
公开(公告)日：2024-09-20
申请号：CN202111087039.8
申请日：2021-09-16
Applicant: 北京交通大学
IPC: G06F16/9535 , G06Q30/0601 , G06N20/00
Abstract: 本发明提供了一种基于自监督变分自编码器的物品推荐方法。该方法包括：获取推荐主任务数据，收集用户反馈数据，构建用户‑物品反馈矩阵；获取自监督辅助任务数据，利用自监督辅助任务数据进行数据增广，获得增广后的用户‑物品反馈矩阵；将所述用户‑物品反馈矩阵和所述增广后的用户‑物品反馈矩阵输入到自监督变分自编码器SSVAE模型，利用目标函数优化算法训练SSVAE模型，得到训练好的SSVAE模型；根据训练好的SSVAE模型预测用户对未评分物品的喜好程度，并将预估分值较高的物品推荐给用户。本发明的方法通过设计简单而有效的自监督任务挖掘用户反馈信息的内在特征，辅助主任务获取更高质量的用户表征，可以大幅度提高推荐性能。
-
公开(公告)号：CN111104604B
公开(公告)日：2023-07-21
申请号：CN201911165736.3
申请日：2019-11-25
Applicant: 北京交通大学
IPC: G06F16/9536 , G06Q30/0601 , G06Q50/00
Abstract: 本发明提供了一种基于哈希学习的轻量级社会化推荐方法。该方法包括：构建用户‑物品评分矩阵和用户‑用户社交网络，通过对用户‑用户社交网络施加截断式随机游走和负采样，生成社交语料；根据用户‑物品评分矩阵和社交语料训练离散矩阵分解与连续网络嵌入混合模型，得到二值化的用户特征矩阵和物品特征矩阵；根据用户特征矩阵和物品特征矩阵预估用户对未评分物品的偏好分值，并将预估分值最高的一个或者多个未评分物品推荐给用户。本发明所述方法与当下主流的实值化推荐方法性能相当，但由于采用了轻量级模型设计思想，所获二值化用户和物品特征具有更低的计算和存储开销。
-
公开(公告)号：CN111552852B
公开(公告)日：2021-09-28
申请号：CN202010344347.3
申请日：2020-04-27
Applicant: 北京交通大学
IPC: G06F16/906 , G06F16/9536 , G06Q30/06
Abstract: 本发明公开一种基于半离散矩阵分解的物品推荐方法。该方法包括：构建用户‑物品评分矩阵R，根据用户‑物品评分矩阵R训练矩阵分解模型，获得用户的实值特征矩阵P和物品的实值特征矩阵Q；根据P对用户独立执行聚类分析，获得用户的锚点特征矩阵E，根据Q对物品独立执行聚类分析，获得物品的锚点特征矩阵F；根据R、P、Q、E、F训练半离散矩阵分解模型，获得用户的二值编码矩阵B和物品的二值编码矩阵D；根据B和D还原评分矩阵根据R将中已观测评分位置的预估值置0，根据将预测分值最高的前设定数量个物品推荐给相应用户。本发明方法综合运用“点级”平滑和“组级”平滑技巧，有效弥补了离散矩阵分解模型编码损失较大的缺点，并大幅度提升了推荐精度。
-
-
-
-
-
-
Search Results
17
records
(took 0.019 seconds)
