-
公开(公告)号：CN114492978B
公开(公告)日：2024-10-29
申请号：CN202210067402.8
申请日：2022-01-20
Applicant: 哈尔滨工程大学
IPC: G06N3/0455 , G06N3/0442 , G06N3/0464 , G06N3/08 , G06N3/049 , G06F18/25 , G06F18/213 , G06F123/02
Abstract: 本发明提出了一种基于多层注意力机制的时空序列预测方法及设备，本发明基于注意力机制，根据跨领域数据的交叉影响，逐时间步融合多维特征构建历史数据特征，在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。采用LSTM编码器分别捕获时间序列的长期、中期发展模式及短期突变信息，逐步利用注意力机制动态捕获多重时序关系对未来的影响，逐时间步计算相应历史信息的影响权重，最终使用LSTM解码器充分融合多跨度的历史数据，对时空序列进行预测。本发明可以在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。
-
公开(公告)号：CN114330299B
公开(公告)日：2024-08-27
申请号：CN202111557961.9
申请日：2021-12-20
Applicant: 哈尔滨工程大学
IPC: G06F40/216 , G06F18/214 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明提出基于多方面全局关系项目表示学习的会话推荐方法、系统、设备和介质，本发明通过数据驱动并独立于会话的方式学习多方面全局关系的项目表示，构建基于多方面全局关系项目表示学习的会话推荐模型，首先利用训练集全部会话数据构建全局基础图，其次根据该全局基础图构建顺序关系图、共现关系图以及不相容关系图，并通过三种不同的聚合层实现在对应关系图上的信息传播过程，最后通过正面以及负面关系增强当前会话表示，从而大大提高会话推荐性能。
-
公开(公告)号：CN114880550B
公开(公告)日：2024-08-02
申请号：CN202210344135.4
申请日：2022-04-02
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06Q30/0601 , G06F18/25
Abstract: 本发明提出一种融合多方面时域信息的序列推荐方法、设备和介质。本发明考虑三种时域信息来提高序列推荐的性能，构建融合多方面时域信息的序列推荐模型，模型包含三个部分，每一部分利用一种多粒度时域信息生成下一个用户可能感兴趣的物品表示。所述模型具体包括绝对时间模块，相对物品时间间隔模块和相对推荐时间间隔模块。三个模块经过有效的融合生成最终用户下一时刻感兴趣的物品表示，从而大大提高序列推荐性能。
-
公开(公告)号：CN112733018B
公开(公告)日：2022-12-06
申请号：CN202011636004.0
申请日：2020-12-31
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明提供了一种基于图神经网络GNN和多任务学习的会话推荐方法，包括以下步骤：采集用户在电子商务网站的点击数据，建立用户会话数据集；根据用户会话数据，构建用户会话有向图；构建GNN‑MulitTask‑Learning神经网络模型，并训练输出用户会话表示；根据输出的用户会话表示输入打分函数计算所有候选项目的推荐概率，进行个性化推荐。本发明是针对会话推荐场景中，获取用户点击项项目之间关系，以及历史会话对当前会话的影响，并通过多任务学习增加隐性数据，使用户表示更具通用性和可迁移性，更准确预估用户对项目的偏爱，捕捉用户兴趣趋势，提高了用户对项目的点击率。
-
公开(公告)号：CN114896515A
公开(公告)日：2022-08-12
申请号：CN202210344092.X
申请日：2022-04-02
Applicant: 哈尔滨工程大学
IPC: G06F16/9536 , G06F16/9535 , G06N3/04 , G06N3/08 , G06K9/62
Abstract: 本发明提出基于时间间隔的自监督学习协同序列推荐方法、设备和介质。本发明使用图神经网络、注意力机制、自监督等技术构建基于时间间隔的自监督学习协同序列推荐模型，利用用户个人信息与交互数据，完成注意力权重改变机制和自监督学习，模型在训练过程中不断更改其中相关参数，充分考虑到了用户的周期性兴趣，并将协同信息与序列信息进行有效的融合，大大提高了个性化推荐性能。
-
Patent Agency Ranking
公开(公告)号：CN114528490A
公开(公告)日：2022-05-24
申请号：CN202210151706.2
申请日：2022-02-18
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于用户长短期兴趣的自监督序列推荐方法。步骤1：获得用户信息、项目信息及用户行为的序列数据集，将数据集进行预处理并划分为训练集和测试集；步骤2：构建基于用户长短期兴趣的自监督序列推荐模型；步骤3：利用训练集对步骤2所述基于用户长短期兴趣的自监督序列推荐模型进行训练；步骤4：将待推荐用户的个人信息和交互序列输入到步骤3中训练后的基于用户长短期兴趣的自监督序列推荐模型，计算待推荐项目相对于该用户的推荐得分，根据推荐得分将项目推荐给用户。本发明用以解决现有技术中用户的长、短期兴趣二者间所存在的相互约束关系的问题，实现对用户长期兴趣和短期兴趣有更准确的推荐。
-
公开(公告)号：CN114492978A
公开(公告)日：2022-05-13
申请号：CN202210067402.8
申请日：2022-01-20
Applicant: 哈尔滨工程大学
Abstract: 本发明提出了一种基于多层注意力机制的时空序列预测方法及设备，本发明基于注意力机制，根据跨领域数据的交叉影响，逐时间步融合多维特征构建历史数据特征，在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。采用LSTM编码器分别捕获时间序列的长期、中期发展模式及短期突变信息，逐步利用注意力机制动态捕获多重时序关系对未来的影响，逐时间步计算相应历史信息的影响权重，最终使用LSTM解码器充分融合多跨度的历史数据，对时空序列进行预测。本发明可以在不引入噪声的前提下，充分利用邻域数据丰富目标区域的特征信息，捕获不同区域时空序列的空间依赖关系。
-
公开(公告)号：CN114330299A
公开(公告)日：2022-04-12
申请号：CN202111557961.9
申请日：2021-12-20
Applicant: 哈尔滨工程大学
IPC: G06F40/216 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明提出基于多方面全局关系项目表示学习的会话推荐方法、系统、设备和介质，本发明通过数据驱动并独立于会话的方式学习多方面全局关系的项目表示，构建基于多方面全局关系项目表示学习的会话推荐模型，首先利用训练集全部会话数据构建全局基础图，其次根据该全局基础图构建顺序关系图、共现关系图以及不相容关系图，并通过三种不同的聚合层实现在对应关系图上的信息传播过程，最后通过正面以及负面关系增强当前会话表示，从而大大提高会话推荐性能。
-
公开(公告)号：CN119323248A
公开(公告)日：2025-01-17
申请号：CN202411358418.X
申请日：2024-09-27
Applicant: 哈尔滨工程大学
IPC: G06N5/02 , G06N3/0455 , G06N3/0895 , G06N3/0464 , G06N3/042
Abstract: 一种基于结构和文本信息动态融合的超关系知识图谱表示方法及其系统，属于知识图谱表示技术领域。解决现有超关系知识图谱表示方法没有考虑到超关系知识图谱中的丰富文本信息问题。方法使用图卷积神经网络、软提示词微调、预训练语言模型、Transformer以及对比学习等技术构建了一种基于结构和文本信息动态融合的超关系知识图谱表示方法。该方法能够增强图谱中实体和关系的表示。除此之外，本发明还充分考虑了负样本在训练过程中的效率问题，提出了一种基于对比学习的负采样方法，提升了训练效率和模型预测效果。本发明适用于知识图谱补全领域中的知识图谱表示技术。
-
公开(公告)号：CN114491248B
公开(公告)日：2024-10-29
申请号：CN202210067403.2
申请日：2022-01-20
Applicant: 哈尔滨工程大学
IPC: G06F16/9535 , G06N3/045 , G06N3/0442
Abstract: 本发明提出了一种基于用户多意图演进的序列推荐方法，所述方法具体包括：采集用户的历史交互数据，并对数据进行预处理；设计多意图提取模块，捕获用户的多个意图；设计意图感知重映射层，将序列的顺序信息和时间信息显示地注入到用户项目的交互序列中；设计意图感知演进层，捕捉用户每个兴趣意图的动态偏移；设计多意图聚合模块，在更精细的意图粒度上捕获具有更多信息的用户表示。本发明可以同时考虑用户历史交互序列中的潜在多意图、不同意图的动态演变以及丰富候选物品的特征表示最大化的利用多意图嵌入的好处，从而达到提升推荐性能的目的。
-
-
-
-
-
-
-
-
-
Search Results
50
records
(took 0.039 seconds)
