-
公开(公告)号：CN110717098A
公开(公告)日：2020-01-21
申请号：CN201910890250.X
申请日：2019-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。
-
公开(公告)号：CN104021224A
公开(公告)日：2014-09-03
申请号：CN201410290316.9
申请日：2014-06-25
Applicant: 中国科学院自动化研究所
CPC classification number: G06F17/30265 , G06K9/66
Abstract: 本发明公开了一种基于逐层标签融合深度网络的图像标注方法，该方法包括以下步骤：对于训练集中的训练图像，提取其底层视觉特征；对于训练图像的标签进行层级化，构建标签的层级结构；对于训练图像，逐层融合其底层视觉特征信息和标签信息，并通过深度网络参数学习，得到训练图像的层级特征表示；对于测试集中的测试图像，提取其底层视觉特征，然后通过深度网络学习得到其层级特征表示，最后根据测试图像的层级特征表示预测其标注信息本发明所述的图像标注方法属于一种层级的标注，比传统的标注方法更加精确。
-
公开(公告)号：CN103324686A
公开(公告)日：2013-09-25
申请号：CN201310217181.9
申请日：2013-06-03
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明基于文本流网络的实时个性化视频推荐方法的步骤如下：S1用用户在文本流网络上当前发布和转发的推文建立实时用户文档，对多个实时用户文档建立热点事件空间，得到用户当前所关注的多个热点事件；S2用用户在文本流网络上的所有信息建立用户文档，对多个用户文档建立长期兴趣主题空间，得到多个用户分别在该空间的长期兴趣分布向量；S3用用户长期兴趣分布向量对所述多个热点事件进行排序，获得用户当前最感兴趣热点事件；S4在视频应用平台检索与用户当前最感兴趣热点事件相关的多个视频；S5用用户在视频应用平台信息，得到用户长期兴趣特征向量；S6用用户长期兴趣特征向量对所述多个视频进行重排序，并把前N个视频推荐给该用户。
-
公开(公告)号：CN102521227B
公开(公告)日：2013-07-31
申请号：CN201110317167.7
申请日：2011-10-18
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种基于用户信息建模的图像标注增强方法，首先，用户、图像及标注的原始关系被表示成一个三阶张量；然后，观测到的原始标注被表示成正负样本对，张量分解的目标是最小化正负样本对的排序关系；最终，利用分解得到的核心张量和因子矩阵进行子空间变换，可以得到共同子空间上的图像及标注表示。在大规模图片分享网站数据上，证明了发明的方法获得了更好的标注增强效果。
-
公开(公告)号：CN103020116A
公开(公告)日：2013-04-03
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
Patent Agency Ranking
公开(公告)号：CN110717098B
公开(公告)日：2022-06-24
申请号：CN201910890250.X
申请日：2019-09-20
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/9538
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于元路径的上下文感知用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法仅考虑用户历史行为的简单序列关系，无法捕获复杂的用户偏好；现有的推荐系统推荐的准确性不高，推荐的内容不具有多样性的问题。本发明将基于用户访问的项目序列获取局部兴趣表示，通过对异构网络建模得到上下文感知的全局兴趣表示，结合局部兴趣表示和全局兴趣表示得到用户的综合兴趣表示。基于用户综合兴趣表示和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够更全面地捕捉用户兴趣，有利于提高推荐系统的准确率；基于元路径的上下文感知序列推荐方法，推荐准确率高，推荐内容更具多样性。
-
公开(公告)号：CN103593474B
公开(公告)日：2017-03-01
申请号：CN201310626253.5
申请日：2013-11-28
Applicant: 中国科学院自动化研究所
Abstract: 本发明公开了一种基于深度学习的图像检索排序方法。该方法包括以下步骤：提取查询对象和训练数据库中图像的底层特征；通过深度网络进行高层语义学习和特征融合，得到多个查询对象-图像对的高层特征以及深度网络的初定参数；对查询对象-图像对的高层特征分别进行线性回归，得到查询对象-图像对的排序分数；得到与查询对象相关的训练数据集中的图像的排序列表，将该排序列表与训练数据集中各图像的真实的排序列表进行比较，得到与查询对象相关的图像对的成对损失值；对深度网络的初定参数进行调整，得到深度网络的最终参数；计算新的查询对象的底部特征，并得到其对应的深度网络；在测试数据集中进行搜索，得到与其相关的图像列表。
-
公开(公告)号：CN103020116B
公开(公告)日：2015-12-16
申请号：CN201210455018.1
申请日：2012-11-13
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种在社交媒体网络上自动筛选有影响力用户的方法，包括步骤如下：步骤S1：利用超图模型为兴趣社交媒体网络中的用户、兴趣对象及其相互作用关系建模；步骤S2：采用超图约束的正则化主题概率模型，利用兴趣对象的内容信息和内容信息之间的相似性关系作为约束，自动学习得到隐含的兴趣主题；步骤S3：对每个用户和兴趣对象进行主题影响力排序，采用相似性传播模型及在超图上的用户和兴趣对象及相互之间的超边传播主题影响力，直到稳态，然后排序可得到特定主题下的有影响力的用户。本发明能够真实而准确地反映用户影响力在社交媒体网络中的分布。
-
公开(公告)号：CN102521227A
公开(公告)日：2012-06-27
申请号：CN201110317167.7
申请日：2011-10-18
Applicant: 中国科学院自动化研究所
IPC: G06F17/30
Abstract: 本发明是一种基于用户信息建模的图像标注增强方法，首先，用户、图像及标注的原始关系被表示成一个三阶张量；然后，观测到的原始标注被表示成正负样本对，张量分解的目标是最小化正负样本对的排序关系；最终，利用分解得到的核心张量和因子矩阵进行子空间变换，可以得到共同子空间上的图像及标注表示。在大规模图片分享网站数据上，证明了发明的方法获得了更好的标注增强效果。
-
公开(公告)号：CN110516160B
公开(公告)日：2022-04-01
申请号：CN201910818603.5
申请日：2019-08-30
Applicant: 中国科学院自动化研究所
IPC: G06F16/9535 , G06F16/36
Abstract: 本发明属于用户建模与推荐系统领域，具体涉及一种基于知识图谱的用户建模方法、序列推荐方法，旨在为了解决现有用户建模方法无法有效提取用户动态访问信息的特征，准确捕捉用户兴趣；现有序列推荐系统推荐准确率不高，用户体验较差的问题。本发明将内容特征和结构特征作为项目的完整表示，基于用户与项目之间的语义路径获取用户和项目之间的交互表示，通过自注意力模型获取用户动态偏好。基于用户动态偏好和待预测项目，通过推荐模型得到推荐结果。本发明的用户建模方法能够有效提取用户动态访问信息的特征，引入语义路径准确的捕捉交互级别的用户动态偏好；基于知识图谱序列推荐方法提升了推荐的准确性，用户体验更好。
-
-
-
-
-
-
-
-
-
Search Results
23
records
(took 0.028 seconds)
