-
公开(公告)号：CN111552881B
公开(公告)日：2024-01-30
申请号：CN202010385644.2
申请日：2020-05-09
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06F16/9536
Abstract: 本发明是基于分层变分注意力的序列推荐方法，首先将用户和项目的稀疏向量转换为低维空间的密集向量；然后通过一层变分注意力网络使用变分推断将注意力向量建模为随机变量，获得用户的长期偏好表示；最后再通过另一层变分注意力网络对用户的短期偏好进行建模，以获得最终的混合用户表示。与传统的确定性方法相比，本发明方法包含的随机单元可以实现多模式注意力分布，不仅可以同时捕获用户的长期和短期偏好，而且还具有足够的能力来对用户偏好的不确定性进行建模。
-
公开(公告)号：CN111553766B
公开(公告)日：2023-09-15
申请号：CN202010349514.3
申请日：2020-04-28
Applicant: 苏州市职业大学
IPC: G06Q30/0601 , G06Q30/0202 , G06F18/2415
Abstract: 本申请公开了一种商品推荐方法、装置、设备及计算机可读存储介质，方法包括：输入包含多个特征的数据集，对特征进行映射得到特征向量；利用全连接层计算每个特征向量对应的输入感知权重因子，通过输入感知权重因子得到向量层面调整后特征向量；根据向量层面调整后用户特征向量和向量层面调整后商品特征向量得到交互向量，根据交互向量对向量层面后特征向量进行位层面筛选，得到位层面调整后特征向量集合；将位层面调整后特征向量输入到因子分解机模型得到商品的推荐值，按照推荐值由大到小的顺序为用户推荐前N个商品。本申请公开的上述技术方案，从向量层面和位层面对特征向量进行调整，以提高推荐值预测的准确性，从而提高商品推荐的准确性。
-
公开(公告)号：CN111552881A
公开(公告)日：2020-08-18
申请号：CN202010385644.2
申请日：2020-05-09
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06F16/9536
Abstract: 本发明是基于分层变分注意力的序列推荐方法，首先将用户和项目的稀疏向量转换为低维空间的密集向量；然后通过一层变分注意力网络使用变分推断将注意力向量建模为随机变量，获得用户的长期偏好表示；最后再通过另一层变分注意力网络对用户的短期偏好进行建模，以获得最终的混合用户表示。与传统的确定性方法相比，本发明方法包含的随机单元可以实现多模式注意力分布，不仅可以同时捕获用户的长期和短期偏好，而且还具有足够的能力来对用户偏好的不确定性进行建模。
-
公开(公告)号：CN116228366A
公开(公告)日：2023-06-06
申请号：CN202310237948.8
申请日：2023-03-13
Applicant: 苏州市职业大学(苏州开放大学)
IPC: G06Q30/0601 , G06F18/214 , G06F18/40
Abstract: 本发明公开了一种序列推荐模型的生成方法、商品推荐方法及其装置，该生成方法包括：接收多个用户一一对应的多个行为序列，所述行为序列包含有与对应用户有过交互的多个商品，每个行为序列都对应有一个推荐商品；创建序列推荐模型，基于多个行为序列、对所述序列推荐模型进行训练。从而生成了一个能够进行序列推荐的模型。
-
公开(公告)号：CN110633789A
公开(公告)日：2019-12-31
申请号：CN201910795705.X
申请日：2019-08-27
Applicant: 苏州市职业大学
Abstract: 本发明公开了一种用于流媒体推荐的自我注意网络信息处理方法，包括如下步骤：将位置嵌入矩阵注入到输入嵌入矩阵中得到最终输入嵌入矩阵；对最终输入嵌入矩阵进行规范化得到将线性投影到三个矩阵上得到Q，K，V，并获取权重，获得第一个自我注意中表示会话中项目间的交互的输出H1；将各个表示会话中项目间的交互的输出进行自我注意拼接，得到表征会话中最终项目间的交互S；对E与S求和后进行层规范化处理得到经过前馈网络处理得到表征用户偏好的矩阵F，在多头自我注意的基础上运用非线性的激活函数获得各层表征用户偏好的矩阵；计算候选项目vi∈V的分数ri，根据ri确定用户点击候选项目vi的概率。
-
Patent Agency Ranking
公开(公告)号：CN110619082A
公开(公告)日：2019-12-27
申请号：CN201910894851.8
申请日：2019-09-20
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06Q30/06
Abstract: 本申请公开了一种基于重复搜索机制的项目推荐方法、装置、设备及可读存储介质，该方案基于图神经网络和重复搜索机制来实现项目推荐，首先将用户在当前会话中交互的项目序列作为会话图进行处理，每个项目都被编码为图结构数据；然后，应用注意机制层捕获当前会话中用户的主要目的，确定当前会话属于重复行为模式和探索行为模式的概率分布；最后，利用重复搜索机制确定候选项目分别在重复行为模式和探索行为模式的得分，并据此确定候选项目的最终得分，以决定是否向用户推荐该候选项目。可见，该方案通过分别考虑重复行为模式和探索行为模式两种情形，能够更精准的预测用户行为，提升推荐效果。
-
公开(公告)号：CN110083770A
公开(公告)日：2019-08-02
申请号：CN201910354632.0
申请日：2019-04-29
Applicant: 苏州市职业大学
IPC: G06F16/9535 , G06F16/2457 , G06F16/2458 , G06Q30/02
Abstract: 本发明公开了一种基于特征层面更深的自注意力网络的序列推荐方法，本发明提出一个基于特征层面更深的自注意力网络的序列推荐方法(FDSA)。具体来说，FDSA首先通过一个一般的注意力机制将物品的多种异构特征以不同的权重结合到特征序列。随后，FDSA在物品序列和特征序列运用独立的自注意力块分别去建模物品转换模式和特征转换模式。然后，我们结合这两个块的输出结果到一个全连接层来预测下一个物品。最后，大量的实验结果表明考虑物品的特征之间的转换关系能够明显地提高序列推荐的性能。
-
公开(公告)号：CN110008409A
公开(公告)日：2019-07-12
申请号：CN201910297031.0
申请日：2019-04-12
Applicant: 苏州市职业大学
IPC: G06F16/9535
Abstract: 本发明公开了一种基于自注意力机制的序列推荐方法，该方法包括以下步骤：获取目标用户的历史行为序列，并将历史行为序列划分为长期行为序列和短期行为序列；将长期行为序列和短期行为序列输入至推荐模型进行推荐学习，获得目标推荐对象；其中，推荐模型为整合用户长短期偏好的多层自注意力网络序列推荐模型；将目标推荐对象推送给目标用户。该方法，可学习目标用户的长期偏好和短期需求，使得目标推荐对象更符合目标用户的基于时间的变化喜好，使得推荐更加准确，可提升用户体验度。本发明还公开了一种基于自注意力机制的序列推荐装置、设备及可读存储介质，具有相应的技术效果。
-
公开(公告)号：CN116089724A
公开(公告)日：2023-05-09
申请号：CN202310151328.2
申请日：2023-02-22
Applicant: 苏州市职业大学(苏州开放大学)
IPC: G06F16/9535 , G06Q30/0601 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种对比学习模型的生成方法、物品推荐方法及其装置，该生成方法包括以下步骤：获取若干交互序列，每个交互序列均包含有用户以及与所述用户有过交互的若干物品；获取每个交互序列中所有物品对应的编码的集合E；对多个交互序列进行预处理，创建对比学习模型，并利用若干交互序列对该对比学习模型进行训练。综上所述，该对比学习模型能够向用于推荐将来最有可能交互的若干项目，从而极大的提高该用户购买该项目的可能性。
-
公开(公告)号：CN110083770B
公开(公告)日：2023-01-13
申请号：CN201910354632.0
申请日：2019-04-29
Applicant: 苏州市职业大学(CN)
IPC: G06F16/9535 , G06F16/2457 , G06F16/2458 , G06Q30/02
Abstract: 本发明公开了一种基于特征层面更深的自注意力网络的序列推荐方法，本发明提出一个基于特征层面更深的自注意力网络的序列推荐方法(FDSA)。具体来说，FDSA首先通过一个一般的注意力机制将物品的多种异构特征以不同的权重结合到特征序列。随后，FDSA在物品序列和特征序列运用独立的自注意力块分别去建模物品转换模式和特征转换模式。然后，我们结合这两个块的输出结果到一个全连接层来预测下一个物品。最后，大量的实验结果表明考虑物品的特征之间的转换关系能够明显地提高序列推荐的性能。
-
-
-
-
-
-
-
-
-
Search Results
22
records
(took 0.027 seconds)
