-
公开(公告)号：CN110874437B
公开(公告)日：2023-06-16
申请号：CN201911115322.X
申请日：2019-11-14
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9537 , G06F16/9538
Abstract: 本发明涉及一种基于多重兴趣点对排序的个性化兴趣点推荐方法，属于位置推荐领域。该方法包括：S1获取用户隐式反馈签到数据；S2对用户隐式反馈签到数据进行分析，挖掘用户签到数据的空间分布特征，确定用户的活动区域；S3计算用户对于各活动区域兴趣点的偏好，并将用户的历史签到数据划分为三种样本；S4将三种样本数据作为多重兴趣点对排序模型的训练数据，采用随机梯度下降算法对模型参数进行迭代学习，获得用户对不同兴趣点的偏好程度；S5根据用户对兴趣点偏好程度的高低向用户推荐一定数量的兴趣点列表。本发明缓解了签到数据稀疏性的影响，同时有助于挖掘用户具有潜在偏好的兴趣点，从而使兴趣点推荐的精确度得到提升。
-
公开(公告)号：CN111859166B
公开(公告)日：2022-11-25
申请号：CN202010738044.X
申请日：2020-07-28
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于改进的图卷积神经网络的物品评分预测方法，属于信息推荐技术领域。该方法包括：S1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；S2：构造用户‑物品，用户‑用户，物品‑物品关系图；S3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；S4：选择神经网络模型融合节点的多种特征信息；S5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；S6：利用训练集和验证集训练模型；S7：利用训练好的模型预测用户对物品的评分。本发明通过改进的图卷积神经网络来有效提取用户与物品关系图的特征，实现预测用户对物品的评分，而且提升了预测的准确率。
-
公开(公告)号：CN112650932B
公开(公告)日：2022-09-23
申请号：CN202110004042.2
申请日：2021-01-04
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9536 , G06K9/62 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种融合社交和位置关系的神经协同过滤POI推荐方法，属于计算机领域。该方法包括：S1：获取数据，划分训练集、验证集、测试集；S2：构建用户关系图和POI关系图；S3：为每个用户和每个POI采样无连接子图；S4：构建GBCF模型；S5：使用训练集训练模型，并利用验证集选择效果最佳的模型；S6：利用训练好的模型得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。本发明通过构建用户关系图和POI关系图，并用Graph‑Bert学习到用户与POI的特征表示，最后使用神经协同过滤得到用户对POIs的偏好得分，并结合TOP‑K排序生成用户感兴趣的POI推荐列表。
-
公开(公告)号：CN110598130B
公开(公告)日：2022-06-24
申请号：CN201910947264.0
申请日：2019-09-30
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06N3/04 , G06N3/08 , G06Q30/06
Abstract: 本发明涉及一种融合异构信息网络和深度学习的电影推荐方法，包括S1：获取用户‑电影交互数据，包括用户属性、用户‑电影的交互数据和电影的属性数据；S2：提取关系对，包括用户‑电影交互关系对、电影属性关系对、用户属性关系对；S3：构建异构信息网络；S4：设计元路径，并根据元路径分别以用户和电影为中心提取网络中的结构关系；S5：采用HIN2Vec方法提取网络中的节点特征；S6：构建用户‑电影交互特征矩阵，并根据电影数据集，给特征矩阵标签化；S7：构建卷积神经网络模型，根据S6生成的标签化的特征矩阵，训练卷积神经网络模型；S8：运用训练好的模型进行偏好预测，运用TOP‑K排序，生成用户感兴趣的电影序列。
-
公开(公告)号：CN111988744B
公开(公告)日：2022-04-01
申请号：CN202010898332.1
申请日：2020-08-31
Applicant: 重庆邮电大学
IPC: H04W4/029 , H04W4/021 , G06Q10/04 , G06K9/62 , G06F16/9537
Abstract: 本发明涉及一种基于用户移动模式的位置预测方法，属于机器学习领域。方法为：采用Apriori算法挖掘出每个用户的个体移动模式，找出影响用户签到的内因；利用动态时间规整算法DTW计算用户的个体移动模式之间的相似性；通过聚类将用户的个体移动模式进行分组，得到每一组的中心模式，找到影响签到的外因；分别用个体的移动模式与整体的移动模式来训练马尔可夫模型；基于IMP和AMP训练马尔可夫链模型，预测用户的下一个位置；考虑外在天气的影响，创建天气总特征；利用高斯核函数计算当前地点的天气与其他地点天气的相似性，对预测的结果进行修正；设置评估标准和基准方法。本发明使得预测的结果更切合实际生活。
-
Patent Agency Ranking
公开(公告)号：CN113268660A
公开(公告)日：2021-08-17
申请号：CN202110465784.5
申请日：2021-04-28
Applicant: 重庆邮电大学
IPC: G06F16/9535 , G06F16/9538 , G06N3/08
Abstract: 本发明属于人工智能技术领域，具体涉及一种基于生成对抗网络的多样性推荐方法、装置及服务器；所述方法包括通过矩阵分解得到用户矩阵和物品矩阵；所述用户矩阵中包括用户对物品的偏好信息，所述物品矩阵中包括物品的特征信息；将用户对物品的偏好信息和物品的特征信息输入到生成对抗网络；将生成对抗网络中的生成器和判别器进行对抗学习以生成推荐物品；采用最大边缘相关多样性算法对推荐物品进行排序，并向用户输出排序靠前的若干推荐物品；本发明能够保证推荐结果是既具备多样性又具备准确性，保证了推荐效果。
-
公开(公告)号：CN108804646B
公开(公告)日：2021-05-11
申请号：CN201810573999.7
申请日：2018-06-06
Applicant: 重庆邮电大学
IPC: G06F16/9537 , G06Q10/04
Abstract: 本发明涉及一种融合深度学习和因子分解机的兴趣点签到预测方法，属于位置签到预测领域包括：S1：获取用户签到数据；S2：对输入的离散数据进行嵌入处理；S3：离散数据去稀疏处理，并学习数据之间的隐含二阶关系；S4：对于连续特征加入全连接隐藏层进行学习，选取合适的激励函数；S5：输入由离散特征经过处理的结果和连续特征经过处理的结果相加作为隐藏层h1的输入；S6：隐藏层h1的输出l1经过一阶线性和特征交互结构并相加作为隐藏层h2的输入；S7：隐藏层h3接收的输入来自隐藏层h1和h2的输出l1和l2，同时加入shortcut结构保证参数学习时梯度的稳定性，确定最佳的模型结构，最后输出预测结果。本发明通过分析用户签到信息，充分挖掘学习签到规律，预测兴趣点签到问题。
-
公开(公告)号：CN111859166A
公开(公告)日：2020-10-30
申请号：CN202010738044.X
申请日：2020-07-28
Applicant: 重庆邮电大学
IPC: G06F16/9536 , G06Q50/00 , G06N3/04 , G06N3/08
Abstract: 本发明涉及一种基于改进的图卷积神经网络的物品评分预测方法，属于信息推荐技术领域。该方法包括：S1：获取用户对物品的历史评分、用户的个人信息，以及物品的属性信息；S2：构造用户-物品，用户-用户，物品-物品关系图；S3：利用改进的图卷积神经网络提取多种关系图中节点的结构和内容特征；S4：选择神经网络模型融合节点的多种特征信息；S5：根据用户和物品的特征表示，预测用户对物品感兴趣的概率；S6：利用训练集和验证集训练模型；S7：利用训练好的模型预测用户对物品的评分。本发明通过改进的图卷积神经网络来有效提取用户与物品关系图的特征，实现预测用户对物品的评分，而且提升了预测的准确率。
-
公开(公告)号：CN111770547A
公开(公告)日：2020-10-13
申请号：CN202010738021.9
申请日：2020-07-28
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于费马点的无线传感器网络三维地域群播路由方法，属于无线传感器路由协议领域。该方法包括：S1：确定源点和群播区域1、2、3、…、n；S2：连接源点、区域1中心点和区域2中心点，得到第一个三角形，并计算此三角形的费马点1；S3：使用节点搜寻算法找到合适的费马节点1；S4：连接源点、费马点节点1、区域3中心点，组成第二个三角形，并计算此三角形的费马点2；S5：使用节点搜寻算法找到合适的费马节点2；S6：依次类推，得到并依次串联费马节点1、2、…、n-1，即得多目标区域群播的最短路径。本发明能找到一条到达多目标区域的最短路径，实现对多目标区域的低能耗低延迟的地域群播。
-
公开(公告)号：CN109902883A
公开(公告)日：2019-06-18
申请号：CN201910229248.8
申请日：2019-03-25
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于个性化层次核密度估计的签到位置预测方法，属于数据分析技术领域。该方法包括：S1：利用提取的签到位置数据，建立基于地理空间的二元核密度估计；S2：构建自适应带宽的核密度估计，为每个数据点选择各自的带宽；S3：构建个性化的层次核密度估计；S4：利用梯度下降算法计算出参数值。本发明为用户提供了个性化的签到预测，同时，解决了签到数据太少造成的数据稀疏性问题，贴近实际生活，使得预测的结果更加的准确。
-
-
-
-
-
-
-
-
-
Search Results
64
records
(took 0.026 seconds)
