公开(公告)号：CN119598034A

公开(公告)日：2025-03-11

申请号：CN202411591587.8

申请日：2024-11-08

Applicant: 北京工业大学

Inventor： 简萌 ,  李若溪 ,  王拓 ,  白钰龙 ,  石戈 ,  毋立芳

IPC: G06F16/9536 ,  G06N3/045 ,  G06N3/08

Abstract: 本发明公开了一种基于层次化意图的用户兴趣解耦的推荐方法。当前细粒度兴趣推荐系统大多数仅从交互中解耦出多种表面的意图因素，忽视了意图间的层次化关系。其次，在意图学习的过程中，大多数研究严重依赖于对交互数据的划分。这种学习范式不能从整体的角度探索潜在的意图，可能加剧数据稀疏并损害推荐性能。本发明为了探索意图之间的层次化关系，设计了一种意图感知兴趣建模层来学习每个意图层级中的多样化的用户/物品表征。然后，堆叠多个兴趣建模层从低层级中提取更加抽象和深入的意图语义以丰富协同过滤信号。此外，为了避免由于划分交互导致的训练效率低并缓解交互稀疏问题，还在每个兴趣建模层中设计了一种自适应意图学习策略。

公开(公告)号：CN119646290A

公开(公告)日：2025-03-18

申请号：CN202411591526.1

申请日：2024-11-08

Applicant: 北京工业大学

Inventor： 简萌 ,  李若溪 ,  王拓 ,  郎朗晨 ,  石戈 ,  毋立芳

IPC: G06F16/9535 ,  G06F16/9536 ,  G06N3/042 ,  G06N3/096

Abstract: 本发明公开了一种基于用户隐式层次化兴趣的推荐方法。现有的基于图的推荐大部分是在传统的欧氏空间进行图学习，但是当从图中学习层次化结构时，欧氏空间的网格特性会引入严重的结构失真。与欧氏几何相比，双曲几何适用于建模潜在的非欧氏拓扑的数据。本发明提出了一种基于用户隐式层次化兴趣的推荐方法，首先利用双曲图神经网络挖掘交互图中用户的隐式层次化兴趣，并设计自蒸馏损失将层次化兴趣嵌入到欧氏表征学习中提高模型推理效率。通过在多个数据集上的实验结果验证了该方法的有效性和推理效率。针对上述方法，我们利用公开数据集分别进行训练、测试以优化模型的性能，验证该方法的有效性。

公开(公告)号：CN114936328A

公开(公告)日：2022-08-23

申请号：CN202210429323.7

申请日：2022-04-22

Applicant: 北京工业大学

Inventor： 简萌 ,  王拓 ,  毋立芳 ,  王掌权 ,  石戈 ,  相叶 ,  李尊

IPC: G06F16/9536 ,  G06F16/901 ,  G06K9/62 ,  G06N3/04

Abstract: 本发明公开了一种基于Transformer模型的图卷积兴趣解耦方法。传统的推荐算法多采用图卷积的方法，考虑了用户与其邻居节点之间信息的传递，但是生成的用户特征表示是单一的，忽略了用户的交互是由多方面兴趣产生的，即隐向量相互纠缠问题，导致推荐的性能不能达到最优。本发明提出了一种新型的细粒度级别兴趣解耦方法，首先使用图卷积的方法研究用户在不同兴趣空间之内的特征，再通过Tranformer模型探究用户不同兴趣之间的内在联系，最后将不同兴趣之间的特征融合得到兴趣解耦后用户特征表达。针对上述方法，我们利用公开的社交网络、电商平台以及点评网站的数据集分别进行训练、测试以优化模型的性能，验证该方法的有效性。