-
公开(公告)号：CN110674407B
公开(公告)日：2021-10-15
申请号：CN201910940872.9
申请日：2019-09-30
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。
-
公开(公告)号：CN111177565B
公开(公告)日：2021-08-31
申请号：CN201911425220.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种基于相关矩阵和词向量模型的兴趣点推荐方法。本发明通过参考自然语言处理中训练词向量模型进行用户和兴趣点的向量表示建模，该模型可从用户的签入序列中捕获兴趣点的地理影响。假设一个兴趣点受用户签到序列中其他兴趣点的影响。将每个兴趣点视为“单词”，将每个用户的顺序签到序列视为“句子”，并结合使用自言语言处理中的Skip‑gram词向量模型来训练兴趣点以及用户的潜在表示向量。本发明分别从用户和兴趣点的角度进行融合成一个更好的地理信息模型。为此，在该模型中使用了用户和兴趣点之间的地理距离和用户在相邻兴趣点上的签到频次。通过考虑到相邻兴趣点在模型推荐策略中的影响，解决了签到数据稀疏问题。
-
公开(公告)号：CN112989223A
公开(公告)日：2021-06-18
申请号：CN202110300762.3
申请日：2021-03-22
Applicant: 杭州电子科技大学
IPC: G06F16/9537 , G06F17/16 , G06F16/29
Abstract: 本发明提出了一种基于轨迹的修正与简化的电动自行车轨迹地图匹配方法。本发明针对电动自行车轨迹数据轨迹点采样频率过高、轨迹点密度较大以及存在无效轨迹片段的特点导致的地图匹配效率与准确率下降的问题，在地图匹配方法中增加了轨迹的修正与简化过程，能够有效地降低轨迹点密度；同时，在地图匹配过程中引入分段机制，能够有效识别出无效轨迹片段，兼顾了电动自行车轨迹数据地图匹配过程中的效率与准确率。
-
公开(公告)号：CN111177565A
公开(公告)日：2020-05-19
申请号：CN201911425220.8
申请日：2019-12-31
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9537
Abstract: 本发明公开了一种基于相关矩阵和词向量模型的兴趣点推荐方法。本发明通过参考自然语言处理中训练词向量模型进行用户和兴趣点的向量表示建模，该模型可从用户的签入序列中捕获兴趣点的地理影响。假设一个兴趣点受用户签到序列中其他兴趣点的影响。将每个兴趣点视为“单词”，将每个用户的顺序签到序列视为“句子”，并结合使用自言语言处理中的Skip-gram词向量模型来训练兴趣点以及用户的潜在表示向量。本发明分别从用户和兴趣点的角度进行融合成一个更好的地理信息模型。为此，在该模型中使用了用户和兴趣点之间的地理距离和用户在相邻兴趣点上的签到频次。通过考虑到相邻兴趣点在模型推荐策略中的影响，解决了签到数据稀疏问题。
-
公开(公告)号：CN110717100A
公开(公告)日：2020-01-21
申请号：CN201910940873.3
申请日：2019-09-30
Applicant: 杭州电子科技大学
IPC: G06F16/9535
Abstract: 本发明公开了一种基于高斯嵌入表示技术的上下文感知推荐方法。本发明包括以下步骤：收集用户的上下文感知行为记录以及物品的属性，然后利用高斯嵌入表示技术从收集的数据中学习用户的兴趣向量表示、物品的特征向量表示等，最后基于学习得到的特征向量实施推荐。本发明主要是利用高斯嵌入表示技术对用户兴趣的动态性和物品特征的多模态性进行准确建模，并充分利用用户的上下信息和物品的属性，提高推荐的准确率，进而提升用户满意度。
-
Patent Agency Ranking
公开(公告)号：CN110704741A
公开(公告)日：2020-01-17
申请号：CN201910940088.8
申请日：2019-09-30
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/2458
Abstract: 本发明公开了一种基于时空点过程的兴趣点预测方法，包括：S1基于点过程的时空上下文信息集成与用户签到序列建模；S2基于时空点过程的用户兴趣的预测；S3时空上下文和序列感知的预测。本发明利用时空点过程从用户的签到序列中提取用户的行为模式和兴趣，再结合时空上下文预测用户的上下文兴趣，最后综合考虑用户的一般兴趣和上下文兴趣，从而改进预测效果并提升准确率。
-
公开(公告)号：CN110688565A
公开(公告)日：2020-01-14
申请号：CN201910830872.3
申请日：2019-09-04
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06Q10/04
Abstract: 本发明公开了一种基于多维霍克斯过程和注意力机制的下一个物品推荐方法，包括：S1基于多维霍克斯过程和注意力机制的物品关键特征向量和用户兴趣向量的获取；S2用户动态兴趣的预测与建模；S3序列感知的推荐。本发明利用多维霍克斯过程和注意力机制从用户物品交互序列中提取物品的特征向量和用户兴趣向量，再结合用户的交互序列记录预测用户的动态兴趣，最后在推荐的时候综合考虑用户的兴趣偏好和物品的关键特征向量，从而改进推荐效果，提升推荐准确率。
-
公开(公告)号：CN110674407A
公开(公告)日：2020-01-10
申请号：CN201910940872.9
申请日：2019-09-30
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06Q30/06 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的混合推荐方法，包括以下步骤：收集用户对物品的行为数据以及物品的属性信息；将收集的数据建模为异构信息图，并利用图卷积神经网络学习每个节点的特征向量表示；基于用户和物品特征向量的混合推荐。本发明主要是利用多种数据，包括用户对物品的行为数据和物品属性信息，获得用户和物品的特征向量表示并实施基于特征向量的混合推荐，缓解数据稀疏问题和繁重的特征工程问题的影响，进而改进推荐效果，提升用户满意度。
-
公开(公告)号：CN109948066A
公开(公告)日：2019-06-28
申请号：CN201910303497.7
申请日：2019-04-16
Applicant: 杭州电子科技大学
IPC: G06F16/9535 , G06F16/9536 , G06F16/9537
Abstract: 本发明公开了一种基于异构信息网络的兴趣点推荐方法。该方法使用异构信息网络以及元路径来建模基于位置的社交网络中用户的复杂行为语义，并通过矩阵分解和排序学习预测用户偏好。通过本发明方法能够有效挖掘用户行为特征，进而给用户推荐兴趣点，提高基于位置的社交网络服务的体验。
-
公开(公告)号：CN119578507B
公开(公告)日：2025-04-18
申请号：CN202510113751.2
申请日：2025-01-24
Applicant: 杭州电子科技大学
IPC: G06N3/096 , G06N3/045 , G06N3/0475 , G06N3/094 , G06N3/084 , G06V10/82 , G06V10/44 , G06V10/77 , G06V10/80 , G06V10/764 , G06N3/048
Abstract: 本发明公开了一种干扰生成对抗网络驱动的知识蒸馏方法，该方法首先获取由三通道RGB格式图像构成的图像分类数据集。其次构建干扰生成对抗网络AD‑GAN，包括教师模型、学生模型和干扰生成模型，三个模型输入均为图像分类数据集中的图像，教师和学生模型输出为图像类别预测的置信度向量，干扰生成模型的输出为带干扰的图像。最后对三个模型进行对抗训练，一个训练批次分为干扰生成模型训练阶段和学生模型蒸馏训练阶段，两者的训练分别使用独立的优化器，干扰生成模型作为对抗训练中的生成器，教师和学生模型共同作为判别器。本发明增强了学生模型的泛化能力和抗噪性能，为资源受限场景提供实用且高效的解决方案。
-
-
-
-
-
-
-
-
-
Search Results
67
records
(took 0.062 seconds)
